随机过程知识点
第一章:预备知识
§1.1 概率空间
随机试验,样本空间记为Ω。
定义1.1 设Ω是一个集合,F 是Ω的某些子集组成的集合族。如果 (1)∈ΩF ;
(2)∈A 若F ,∈Ω=A A \则F ;
(3)若∈n A F , ,,21
=n ,则 ∞
=∈1
n n A F ;
则称F 为-σ代数(Borel 域)。(Ω,F )称为可测空间,F 中的元素称为事件。
由定义易知: .
216\,,)5)4(1
1
1
F A A A i F A F B A F B A F i i n i i n i i i ∈=∈∈∈∈?∞
=== ,,则,,,)若(;
则若(;
定义1.2 设(Ω,F )是可测空间,P(·)是定义在F 上的实值函数。如果
()()()()∑∞=∞==???? ???=?≠=Ω≤≤∈1
121,,,31210,)1(i i i i j i A P A P A A j i A A P A P F A 有
时,当)对两两互不相容事件(;)(;
任意
则称P 是()F ,Ω上的概率,(P F ,,Ω)称为概率空间,P(A)为事件A 的概率。
定义1.3 设(P F ,,Ω)是概率空间,F G ?,如果对任意G A A A n ∈,,,21 ,
,2,1=n 有: (),1
1
∏===???
? ??n
i i n i i A P A P
则称G 为独立事件族。
§1.2 随机变量及其分布
随机变量X ,分布函数)(x F ,n 维随机变量或n 维随机向量,联合分布函数,
{}T t X t ∈,是独立的。
§1.3随机变量的数字特征
定义1.7 设随机变量X 的分布函数为)(x F ,若
?
∞
∞
-∞<)(||x dF x ,则称
)(X E =?∞
∞
-)(x xdF
为X 的数学期望或均值。上式右边的积分称为Lebesgue-Stieltjes 积分。 方差,()()[]EY Y EX X E B XY --=为X 、Y 的协方差,而 DY
DX B XY
XY =ρ
为X 、Y 的相关系数。若,0=XY
ρ则称X 、Y 不相关。
(Schwarz 不等式)若,,2
2
∞<∞ ().222 EY EX EXY ≤ § 1.4 特征函数、母函数和拉氏变换 定义1. 10 设随机变量的分布函数为F (x ),称 ()()(), jtX jtx g t E e e dF x t ∞ -∞ =-∞<<∞? 为X 的特征函数 随机变量的特征函数具有下列性质: (1)(0)1,()1,()()g g t g t g t =≤-= 1 ( 2 ) g (t )在()∞∞-, 上一致连续。(3)()(0)()k k k g i E X = (4)若12,,,n X X X 是相互独立的随机变量,则12n X X X X =+++ 的特征函数 12()()()()n g t g t g t g t = ,其中()i g t 是随机变量X i 的特征函数,1,2,,i n = . 定义1 . 11 设 12(,,,)n X X X X = 是n 维随机变量,t = (12,,,n t t t ) ,R ∈ 则称 121 ()(,,,)()[exp()]n itX n k k k g t g t t t E e E i t X ' ====∑ , 为X 的特征函数。 定义1.12 设X 是非负整数值随机变量,分布列 () ,2,1,===k x X P p k k 则称 )()(X def s E s P ==k k k s P ∑∞ =0 为X 的母函数。 § 1.5 n 维正态分布 定义1.13 若n 维随机变量),,,(21n X X X X =的联合概率密度为 })()(21exp{)2(1 ),,,()(12/2 /21T n n n a x B a x B x x x f x f ---= =-π 式中,),,,(21n a a a a =是常向量,n n ij b B ?=)(是正定矩阵,则称X 为n 维正态随机变量或服从n 维正态分布,记作),(~B a N X 。 可以证明,若),(~B a N X ,则X 的特征函数为 }2 1 exp{),,,()(21t iB t ia t t t g t g n '-'== 为了应用的方便,下面,我们不加证明地给出常用的几个结论。 性质1 若),(~B a N X 则n l b B a X E kl X X k k l k ,,2,1,,)( ===。 性质2 设),(~B a N X ,XA Y =,若BA A '正定,则),(~BA A aA N Y '。即正态随机变量的线性变换仍为正态随机变量。 性质3 设),,,(4321X X X X X =是四维正态随机变量,4,3,2,1,0)(==k X E k ,则 )()()()()()()(3241423143214321X X E X X E X X E X X E X X E X X E X X X X E ++= § 1.6 条件期望 给定Y=y 时,X 的条件期望定义为 ??===dx y x xf y x xdF y Y X E )|()|()|( 由此可见除了概率是关于事件{Y=y }的条件概率以外,现在的定义与无条件的情况完全一 样。 E(X|Y=y)是y 的函数,y 是Y 的一个可能值。若在已知Y 的条件下,全面地考虑X 的均值,需要以Y 代替y ,E(X|Y)是随机变量Y 的函数,也是随机变量,称为 X 在 Y 下的条件期望。 条件期望在概率论、数理统计和随机过程中是一个十分重要的概念,下面我们介绍一个极其有用的性质。 性质 若随机变量X 与Y 的期望存在,则 ?===)()|()]|([)(y dF y Y X E Y X E E X E Y --------(1) 如果Y 是离散型随机变量,则上式为 ∑===y y Y P y Y X E X E }{)|()( 如果Y 是连续型,具有概率密度f(x),则(1)式为 ?+∞ ∞ -==dy y f y Y X E X E )()|()( 第二章 随机过程的概念与基本类型 §2.1 随机过程的基本概念 定义2.1 设(P F ,,Ω)是概率空间,T 是给定的参数集,若对每个t ∈T ,有一个随机变量X (t ,e )与之对应,则称随机变量族}),,({T t e t X ∈是(P F ,,Ω)的随机过程,简记为随机过程}),({T t t X ∈。T 称为参数集,通常表示时间。 通常将随机过程}),,({T t e t X ∈解释为一个物理系统。X(t)表示在时刻t 所处的状态。X(t)的所有可能状态所构成的集合称为状态空间或相空间,记为I 。 从数学的观点来说,随机过程}),,({T t e t X ∈是定义在T ×Ω上的二元函数。对固定的t ,X (t ,e )是定义在T 上的普通函数,称为随机过程}),,({T t e t X ∈的一个样本函数或轨道,样本函数的全体称为样本函数的空间。 § 2.2 随机过程的函数特征 t X ={X (t ),t ∈T }的有限维分布函数族。 有限维特征函数族: }1,,,,:),,,({2121,,1≥∈=Φn T t t t g n n t t n θθθ 其中: )})((exp{),,,(1 21,,1k n k k n t t t x i E g n ∑==θθθθ 定义2.3 设t X ={X (t ),t ∈T }的均值函数def t m X )()]([t X E ,T t ∈。 二阶矩过程,协方差函数:T ,)]()([),()(2 ∈-=t t m t X E def t t B t D X X X 相关函数: =),(t s R X )]()([t X s X E 定义2.4 设{X (t ),t ∈T },{Y (t ),t ∈T }是两个二阶矩过程, 互协方差函数,互相关函数。 § 2.3 复随机过程 定义 2.5 设},{T t X t ∈,},{T t Y t ∈是取实数值的两个随机过程,若对任意T t ∈ t t t iY X Z +=, 其中 1-=i ,则称},{T t Z t ∈为复随机过程. 定理 2.2 复随机过程},{T t X t ∈的协方差函数 ),(t s B 具有性质 (1)对称性:),(t s B =; (2)非负定性 §2.4 几种重要的随机过程 一、正交增量过程 定义2.6 设(){}T ∈X t t ,是零均值的二阶矩过程,若对任意的,4321T ∈<≤ 式 ()()[]()()[]03412=X -X X -X E t t t t , 则称()t X 正交增量过程。 ()()()()t s t s R t s ,min ,,2 X X X ==B σ 二、独立增量过程 定义2.7 设(){}T ∈X t t ,是随机过程,若对任意的正整数n 和,21T ∈<< 变量()()()()()()12312,,,-X -X X -X X -X n n t t t t t t 是互相独立的,则称(){}T ∈X t t ,是独立增量过程,又称可加过程。 定义 2.8 设(){}T ∈X t t ,是平稳独立增量过程,若对任意,t s <随机变量()()s t X -X 的分布仅依赖于s t -,则称(){}T ∈X t t ,是平稳独立增量过程。 三、马尔可夫过程 定义 2.9设(){}T t t X ∈,为随机过程,若对任意正整数n 及n t t t << ,21,()()0,,)(1111>==--n n x t X x t X P ,且其条件分布 ()(){}1111,,|)(--===n n n n x t X x t X x t X P =(){}11|)(--==n n n n x t X x t X P , (2.6) 则称(){}T t t X ∈,为马尔可夫过程。 四、正态过程和维纳过程 定义 2.10 设(){}T t t X ∈,是随机过程,若对任意正整数n 和T t t t ∈∈ ,,21,(()() ,,21t X t X ,()n t X )是n 维正态随机变量,则称(){}T t t X ∈,是正态 过程或高斯过程。 定义 2.11 设{ }∞<<-∞t t W ),(为随机过程,如果 (1)0)0(=W ; (2)它是独立、平稳增量过程; (3)对t s ,?,增量() 0,||,0~)()(22>--σσs t N s W t W ,则称{ }∞<<-∞t t W ),(为维纳过程,也称布朗运动过程。 定理 2.3 设{ }∞<<-∞t t W ),(是参数为2σ的维纳过程,则 (1) 任意t ),(∞-∞∈,() ||,0~)(2t N t W σ; (2) 对任意∞<<<∞-t s a ,, []),min())()())(()((2a t a s a W t W a W s W E --=--σ, 特别: ()()t s t s Rw ,min ,2 σ=。 五、平稳过程 定义 2.12 设(){}T t t X ∈,是随机过程,如果对任意常数τ和正整数,n 当T ∈++T ∈ττn n t t t t ,,,,,11 时,()()()()n t t t X X X ,,21 与()()()()τττ+X +X +X n t t t ,,,21 有相同的联合分布,则称(){}T t t X ∈,为严平稳过 程,也称狭义平稳过程。 定义 2.13 设(){}T t t X ∈,是随机过程,如果 (1)(){}T t t X ∈,是二阶矩过程; (2)对于任意()()[]=X E =T ∈X t t m t ,常数; (3)对任意的()()s t R t s R t s -=T ∈X X ,,,,则称(){}T t t X ∈,为广义平稳过程,简称为平稳过程。 若T 为离散集,则称平稳过程(){}T t t X ∈,为平稳序列。 第三章 泊松过程 §3.1 泊松过程的定义和例子 定义3.1 计数过程 定义3.2 称计数过程}0),({≥t t X 为具有参数λ>0的泊松过程,若它满足下列条件 (1) X(0)= 0; (2) X(t)是独立增量过程; (3) 在任一长度为t 的区间中,事件A 发生的次数服从参数λt >0的泊松分布,即对任意s,t >0,有 )1.3(),2,1,0(,! )(})()({ ===-+-n n t e n s X t s X P n t λλ 注意,从条件(3)知泊松过程是平稳增量过程且t t X E λ=)]([。由于,t t X E )] ([= λ表示单位时间内事件A 发生的平均个数,故称λ为此过程的速率或强度。 定义3.3 称计数过程}0),({≥t t X 为具有参数λ>0的泊松过程,若它满足下列条件 (1) X(0)= 0; (2) X(t)是独立、平稳增量过程; (3) X(t) 满足下列两式: ) (}2)()({), (}1)()({h o t X h t X P h o h t X h t X P =≥-++==-+λ (3.2) 定理3.1 定义3.2与定义3.3是等价的。 3.2 泊松过程的基本性质 一、数字特征 设}0),({≥t t X 是泊松过程, s t m s m t s R t s B t s t X s X E t s R t t X D t t t X E t m X x X X X X X λλλλσλ=-=+======)()(),(),()1())()((),())(()())(()(2 一般泊松过程的有),min(),(t s t s B X λ=。 有特征函数定义,可得泊松过程的特征函数为 )}1(exp{][)()(-==iu t iuX X e t e E u g λ 二、时间间隔与等待时间的分布 n W 为第n 次事件A 出现的时刻或第n 次事件A 的等待时间,n T 是第n 个时间间隔, 它们都是随机变量。 定理3.2 设}0),({≥t t X 是具有参数λ的泊松分布,)1(≥n T n 是对应的时间间隔序列,则随机变量),2,1( =n T n 是独立同分布的均值为λ/1的指数分布。 定理3.3 设}1,{≥n W n 是与泊松过程}0),({≥t t X 对应的一个等待时间序列,则n W 服从参数为n 与λ的Γ分布,其概率密度为 ?? ???<≥-=--0,00 ,)!1()()(1 t t n t e t f n t W n λλλ 三、到达时间的条件分布 定理3.4 设}0),({≥t t X 是泊松过程,已知在[0,t]内事件A 发生n 次,则这n 次到达时间n W W W <<< 21与相应于n 个[0,t]上均匀分布的独立随机变量的顺序统计量有相同 的分布。 §3.3 非齐次泊松过程 定义3.4 称计数过程{(),0}X t t ≥为具有跳跃强度函数()t λ的非齐次泊松过程,若它满足下列条件: (1) (0)0X =;(2) ()X t 是独立增量过程; (3) {()()1}()() {()()2}() P X t h X t t h o h P X t h X t o h λ+-==++-≥= 非齐次泊松过程的均值函数为: ()()t X m t s ds λ=? 定理 3.5 设{(),0}X t t ≥是具有均值函数0 ()()t X m t s ds λ=?的非齐次泊松过程,则 有 ()()] [exp{[]},(0)! {()()}()()X X n t s t X X m m n n P X t s X t n m t s m t +--≥+-== +- 或 ()] [exp{()}! {()}X n t X m t n P X t n m = -= 上式表明{()()}P X t s X t n +-=不仅是t 的函数,也是s 的函数。 3.4 复合泊松过程 定义 3.5 设}0),({≥t t N 是强度为λ的泊松过程,,...}2,1{,=k Y k 是一列独立同分布随机变量,且与}0),({≥t t N 独立,令 ,0)() (1 ≥∑==t k t x Y t N k 则称}0),({≥t t X 为复合泊松过程。 定理3.6 设,0)() (1 ≥∑ ==t k t x Y t N k 是复合泊松过程,则 (1)。}0),({≥t t X 是独立增量过程; (2)X(t)的特征函数]}1)([exp{)()(-=u g t u g Y t X λ, 其中)(u g Y 是随机变量1Y 的特征函数;λ是事件的到达率。 (3)若,)(21∞ 第4章 马尔可夫链 §4.1 马尔可夫链的概念及转移概率 一、马尔可夫键的定义 定义1 设有随机过程},{T n X n ∈,若对于任意的整数T n ∈和任意的I i i i n ∈+110,,, ,条件概率满足 } {},,,{11110011n n n n n n n n i X i X P i X i X i X i X P =======++++ 则称},{T n X n ∈为马尔可夫链,简称马氏链。 二、转移概率 定义2 称条件概率 1(){|}ij n n p n P X j X i +=== 为马尔可夫链},{T n X n ∈在时刻n 的一步转移概率,其中I j i ∈,,简称为转移概率。 定义 3 若对任意的I j i ∈,,马尔可夫链},{T n X n ∈的转移概率)(n p ij 与n 无关,则称马尔可夫链是齐次的,并记)(n p ij 为ij p 。 定义4 称条件概率 )1,0,,}(|{)(≥≥∈===+n m I j i i X j X P p m n m n ij 为马尔可夫链},{T n X n ∈的n 步转移概率, 定理 1 设},{T n X n ∈为马尔可夫链,则对任意整数n l n <≤≥0,0和I j i ∈,,n 步 转移概率) (n ij p 具有下列性质: . )4(;)3(; )2(; )1()()1()()() ()()(121111 n n n n j k k k I k I k ik n ij I k l n kj l ik n ij P P PP P p p p p p p p n n ====-∈∈∈---∑∑∑ 定义5 设},{T n X n ∈为马尔可夫链,称 )(},{)(}{0I j j X P n P j X P p n j j ∈====和 为},{T n X n ∈的初始概率和绝对概率,并分别称},{I j p j ∈和}),({I j n p j ∈为},{T n X n ∈的初始分布和绝对分布,简记为}{j p 和)}({n p j 。 定理2 设},{T n X n ∈为马尔可夫链,则对任意I j ∈和1≥n ,绝对概率)(n p j 具有下列性质: P n P n P P P n P p n p n p p p n p T T n T T I i ij i j I i n ij i j )1()()4()0()()3()1()()2()()1()() (-==-==∑∑∈∈ 定理3 设},{T n X n ∈为马尔可夫链,则对任意I i i i n ∈,,,21 和1≥n ,有 n n i i i i ii I i i n n p p p p i X i X i X P 1211},,,{2211-∑∈==== §4.2 马尔可夫链的状态分类 一、状态分类 假设{,0}n X n ≥是齐次马尔可夫链,其状态空间{0,1,2,}I = , 转移概率是,,ij p i j I ∈, 初始分布为{,,}j p i j I ∈ 。 定义 4.6 如集合() {:1,0}n ii n n p ≥>非空,则称该集合的最大公约数()()..{:0}n ii d d i G C D n p ==>为状态i 的周期。如1>d 就称i 为周期的,如1=d 就称i 为非周期的。(若对每一个不可被d 整除的n ,有()n ii p =0,且d 是具有此性质的最大正整数, 则称d 为状态i 的周期。) 引理4.1 如i 的周期为d ,则存在正整数M ,对一切M n ≥,有() 0nd ii p >。 定义 对,,S j i ∈记 (0) (1) 100,{|}ij ij f f P X j X i ==== ()0{,,1,2,,1|},2n ij n k f P X j X j k n X i n ==≠=-=≥ (4.15) ()n ij ij n T f f ∈=∑ 称()n ij f 是系统在0时从i 出发经过n 步转移后首次到达状态j 的概率,而() ij f ∞则是在0时从i 出发,系统在有限步转移内不可能到达状态j 的概率。我们将()n ij f 和ij f 统称为首达概率(又 称首中概率)。 引理 (1) ()0n ij ij f f ≤≤ n j i ,,? (2) 首达概率可以用一步转移概率来表示: 1121121() n n n ij ii i i i j i j i j i j f p p p --≠≠≠=∑∑∑ 定义4.7 若ii f =1,则称状态i 为常返的;若ii f <1,则称状态i 为非常返的。 定义4.8 如 ∞ 非周期的正常返态称为遍历状态。 从状态是否常返,如常返的话是否正常返,如正常返的话是否非周期等三层次上将状态区分为以下的类型: 1)11ii ii ii ii f f d μμ? ??∞? ? ?=???>?∞??? ????? 非常返态(零常返态(=)状态常返态()有周期() 正常返态(<)非周期(d=1)----遍历态 )(n ij f 与) (n ij p 有如下关系: 定理4.4 对任意状态,i j ,及∞<≤n 1,有 ()()()()()1 .n n n k n k n k k ij ij jj ij jj k k p f p f p --====∑∑ (4.16) 引理4.2 }.0,1:{..}0,1:{..)() (>≥=>≥n ii n ii f n n D C G p n n D C G 二、常返态的性质及其性质 定理4.5 状态i 常返的充要条件为 ∞=∑∞ =0 n ii p (4.18) 如i 非常返,则 .11 ii n ii f p -= ∑∞ = 定理4.7 设i 常返且有周期d ,则 i nd ii n d p μ=∞ →) (lim . (4.26) 其中i μ为i 的平均返回时间。当∞=i μ时,0=i d μ. 推论 设i 常返,则 (1) i 零常返0lim ) (=?∞→n ii n p ;(2)i 遍历() 1 lim 0n ii n i p μ←∞ ?= >。 定理4.8 可达关系与互通关系都具有传递性,即 如果j i →,k j →,则k i →; 如果i k ?,k j ?,则k i ?。 定理4.9 如i j ?,则 (1) i 与j 同为常返或非常返,若为常返,则它们同为正常返或零常返; (2) i 与j 有相同的周期。 §4.3 状态空间的分解 定义4.9 状态空间I 的子集C 称为(随机)闭集,如对任意i C ∈及k C ?都有0ik p =。闭集C 称为不可约的,如C 的状态互通。马氏链{}n X 称为不可约的,如其状态空间不可约。 引理4.4 C 是闭集的充要条件为对任意i C ∈及k ?C 都有() n ik p =0,n ≥1。 称状态i 为吸收的,如ii p =1。显然状态i 吸收等价于单点集{}i 为闭集。 定理4.10 任一马氏链的状态空间I ,可唯一地分解成有限个或可列个互不相交的子集12,,,D C C 之和,使得 ① 每一n C 是常返态组成的不可约闭集。 ② n C 中的状态同类,或全是正常返,或全是零常返。它们有相同的周期且 1jk f =, ,n i k C ∈。 ③ D 由全体非常返状态组成。自n C 中的状态不能到达D 中的状态。 定义4.10 称矩阵(ij a )为随机矩阵,如其元素非负且每i 有∑j ij a =1。 显然k 步转移矩阵)(k P =() (k ij p )为随机矩阵。 引理4.5 设C 为闭集,又G =()(k ij p ), i ,j ∈C,是C 上所得的(即与C 相 应的)k 步转移子矩阵,则G 仍是随机矩阵。 定理4.11 周期为d 的不可约马氏链,其状态空间C 可唯一地分解为d 个互不相交地子集之和,即 1 0,,,d r r S r C G G G r s φ-===≠ (4.31) 且使得自r G 中任一状态出发,经一步转移必进入1+r G 中(其中0G G d =)。 定理4.12 设{,0}n X n ≥是周期为d 的不可约马氏链,则在定理4.11的结论下有 (1)如只在时刻0,,2,d d 上考虑{}n X ,即得一新马氏链,其转移阵 ()() ()d d ij P p =,对此新链,每一r G 是不可约闭集,且r G 中的状态是非周期的。 (2)如原马氏链 {}n X 常返,{}nd X 也常返。 §4.4 ) (n ij p 的渐近性质与平稳分布 一、) (n ij p 的渐近性质 定理4.13 如j 非常返或零常返,则)(lim n ij n p ∞ →=0,I i ∈? (4.33) 推论1 有限状态的马氏链,不可能全是非常返状态,也不可能含有零常返状态,从而不可约的有限马氏链必为正常返的。 推论2 如马氏链有一个零常返状态,则必有无限多个零常返状态。 定理4.14 如j 正常返,周期为d ,则对任意i 及10-≤≤d r 有 () lim ()nd r ij ij n j d p f r μ+→∞ = (4.37) 推论 设不可约、正常返、周期d 的马氏链,其状态空间为C ,则对一切C j i ∈,,有 ,() ,lim 0,s nd j ij n d i j G p μ→∞??=??? 如与同属于子集否则, (4.38) 其中s d s G C 1 -==U 为定理4.11中所给出。 特别,如d=1,则对一切,i j 有.1 lim ) (j n ij n p μ=→∞ (4.39) 定理 4.15 对任意状态,,j i 有 () 10,1lim ,k ij ij n k j j f p j n μ →∞=??=???∑若是非常返或零常返 若是正常返 推论 如{}n X 不可约,常返,则对任意,i j ,有 ()1 11 lim n k ij n k j p n μ→∞== ∑ j μ=∞时,理解 j 1 μ=0 定义4.11 称概率分布{,}j j I π∈为马尔可夫链的平稳分布,若它满足 ???? ???≥==∑∑∈∈. 0,1,j I j i ij I i i j p ππππ (4.41) 值得注意的是,对平稳分布{,}j j I π∈,有 () n j i ij i I p ππ∈=∑ (4.42) 定理 4.16 不可约非周期马尔可夫链是正常返的充要条件是存在平稳分布,且此平稳分布就是极限分布1 {,}j j I u ∈。 推论1 有限状态的不可约非周期马尔可夫链必存在平稳分布。 推论 2 若不可约马尔可夫链的所有状态是非常返或零常返的,则不存在平稳分布. 推论3 若{,}j j I π∈是马尔可夫链的平稳分布,则 1 ()j j j p n u π= = 第五章 连续时间的马尔可夫链 §5.1连续时间的马尔可夫链 定义 5.1 设随机过程{X (t),t ≥0},状态空间{,0} n I i n =≥,若对于任意1210n t t t +≤<<< 及121,,,n i i i I +∈ 有 111122{()|(),(),,()}n n n n P X t i X t i X t i X t i ++==== = 11{()|()}n n n n P X t i X t i ++== (5.1) 则称{X (t),t ≥0}为连续时间的马尔可夫链。 记(5.1)式条件概率的一般形式为 (,){()|()}ij p s t P X s t j X s i =+== (5.2) 定义 5.2 若(5.2)式的转移概率与s 无关,则称连续时间马尔可夫链具有平稳的或齐次的转移概率,此时转移概率简记为 (,)()ij ij p s t p t = (5.3) 其转移概率矩阵简记为()(()),(,,0)ij P t p t i j I t =∈≥。 以下的讨论均假定我们所考虑的连续时间马尔柯夫链都具有齐次转移概率。为方便起见,简称为齐次马尔可夫过程。 定理5.1.1 齐次马尔可夫过程的转移概率具有以下性质: (1)()0;(2)()1; (3)()()() ij ij j I ij ik kj k I p t p t p t s p t p s ∈∈≥=+=∑∑ 其中(3)式为马尔可夫过程的Chapman-Kolmogorov (简称C-K )方程。(1),(2) 由概率定义及()ij p t 的定义易知,下面只证明(3)。 定义5.1.3对于任一t ≥0,记 (){()},(0){(0)},j j j p t P X t j p p P X j j I =====∈ 分别称{(),}j p t j I ∈和{,}j p j I ∈为齐次马尔可夫过程的绝对概率分布和初始概率分布。 性质5.1.1 齐次马尔可夫过程的绝对概率及有限维概率分布具有以下性质: 112111221211(1)()0;(2)()1; (3)()();(4)()()(); (5){(),(),,()}()()() n n j j j I j i ij j i ij i I i I n n i ii i i i i n n i I p t p t p t p p t p t p t p P X t i X t i X t i p p t p t t p t t ττ-∈∈∈-∈≥==+=====--∑∑∑∑ §5.2 柯尔莫哥洛夫微分方程 引理 5.2.1 设齐次马尔可夫过程满足正则性条件,则对于任意固定的 )(,,t p I j i ij ∈是t 的一致连续函数。 定理5.3 设)(t p ij 是齐次马尔可夫过程的转移概率,则下列极限存在 001() (1) lim () (2) lim ,ii i ii t ij ij t p t v q t p t q i j t ?→?→-?==≤∞ ??=≤∞≠? 我们称ij q 为齐次马尔可夫过程从状态i 到状态j 的转移速率或跳跃强度。 推论 对有限齐次马尔可夫过程,有 ii ij j i q q ≠=<∞∑ (5.2.1) 定理5.4 (柯尔莫哥洛夫向后方程)假设ik ii k i q q ≠=∑,则对一切,i j 及t ≥0,有 ()()()ij ik kj ii ij k i p t q p t q p t ≠'=-∑ (5.2.4) 定理5.2.3 (柯尔莫哥洛夫向前方程)在适当的正则条件下 ()()()ij ik kj ij jj k j p t p t q p t q ≠'=-∑ (5.2.6) 定理5.2.4 齐次马尔可夫链过程在t 时刻处于状态j ∈I 的绝对概率()j p t 满足 如下方程: ()()()j j jj k kj k j t t t p p q p q ≠=-+'∑ 定理5.2.5 设马尔可夫过程是不可约的,则有下列性质: (1)若它是正常返的,则极限lim ()ij t p t →∞ 存在且等于0,j j I π>∈,这里j π是方程 组 ?????==∑∑∈≠I j j j k kj k jj j q q 1πππ 的唯一非负解,此时称{,j j I π∈}是该过程的平稳分布,并且有 lim ()j j t t p π →∞ = (2)若它是零常返的或非常返的,则 lim ()lim ()0,,t t t t i j I ij j p p →∞ →∞ ==∈ §5.3 生灭过程 定义 设齐次马尔可夫过程{(),0}X t t ≥的状态空间为{0,1,2,}I = ,转移概率为 ()ij p t ,如果 ,1,10 ()()(0)()0()(0,0)()1()()()()(||2)i i i i i i i i ii i i ij p h h o h p h h h p h h o h p h o h i j λλμμμλμ+-=+>? ?=+>=?? =-++??=-≥? 则称{(),0}X t t ≥为生灭过程。其中,i λ称为出生率,i μ称为死亡率。 (1)若,i i i i λλμμ== (λ,μ为正常数),则称{(),0}X t t ≥为线性生灭过程; (2)若0i μ≡,则称{(),0}X t t ≥为纯生过程; (3)若0i λ≡,则称{(),0}X t t ≥为纯灭过程。 第六章 平稳随机过程 §6.1 平稳过程的概念与例子 一、平稳过程的定义 1.平稳过程 定义 §6.2 联合平稳过程及相关函数的性质 一、联合平稳过程 定义 设{(),}X t t T ∈和{(),}Y t t T ∈是两个平稳过程,若它们的互相关函数 [()()]E X t Y t τ-及[()()]E Y t X t τ-仅与τ有关,而与t 无关,则称()X t 和()Y t 是联合平 稳随机过程。 定理6.1 设{(),}X t t T ∈为平稳过程,则其相关函数具下列性质: (1) ;0)0(≥X R (2) );()(ττ-=X X R R (3) );0()(X X R R ≤τ (4) )(τX R 是非负定的,即对任意实数12,,,n t t t 及复数12,,,n a a a ,有 0),(1 ,≥∑=j i n j i j i X a a t t R (5) 若()X t 是周期为T 的周期函数,即()()X t X t T =+,则)()(t R R X X +=ττ; (6) 若()X t 是不含周期分量的非周期过程,当∞→τ时,()X t 与()X t τ+相互独立,则 X X X m m R =∞ →)(lim ττ (1) );0()0()(),0()0() (2 2 Y X XY Y X XY R R R R R R ≤≤ττ (2) ()()XY YX R R ττ-= § 6.3 随机分析 一、收敛性概念 1、处处收敛 对于概率空间(,,)P Ω?上的随机序列{}n X ,每个试验结果e 都对应一序列。 12(),(),,(),n X e X e X e (6.2) 故随机序列{}n X 实际上代表一族(6.2)式的序列,故不能用普通极限形式来定义随机序列的收敛性。若(6.2)式对每个e 都收敛,则称随机序列{}n X 处处收敛,即满足 X X n n =∞→l i m 其中X 为随机变量。 2、以概率1收敛 若使随机序列{()}n X e 满足 ) ()(lim e X e X n n =∞ → 的e 的集合的概率为1,即 {:lim ()()}1n n P e X e X e →∞ == 我们称二阶矩随机序列{()}n X e 以概率1收敛于二阶矩随机变量X(e),或称{()}n X e 几乎处处收敛于X(e),记作 X X e a n ?→?.。 3、依概率收敛 若对于任给的ε>0, 若有 0}|)()({|lim =≥-∞ →εe X e X P n n , 则称二阶矩随机序列{()}n X e 依概率收敛于二阶矩随机变量X(e),记作X X P n ?→?。 4、均方收敛 设有二阶矩随机序列{}n X 和二阶矩随机变量X ,若有 0]|[|lim 2=-∞ →X X E n n (6.3) 成立,则称{}n X 均方收敛,记作X X s m n ??→?.。 注:(6.3)式一般记为l.i.m n x X X →∞ =或..n l i mX X =。 5、依分布收敛 设有二阶矩随机序列{}n X 和二阶矩随机变量X ,若{}n X 相应的分布函数列{()}n F x ,在X 的分布函数F(x)的每一个连续点处,有 )()(lim x F x F n n =∞ → 则称二阶矩随机序列{}n X 依分布收敛于二阶矩随机变量X ,记作X X d n ?→? 对于以上四种收敛定义进行比较,有下列关系: (1) 若X X s m n ??→?.,则X X P n ?→? (2) 若 X X e a n ?→?.,则X X P n ?→? (3) 若X X P n ?→?,则X X d n ?→? 定理2 二阶矩随机序列{}n X 收敛于二阶矩随机变量X 的充要条件为 0]|[|lim 2=-∞ →m n n X X E 定理3 设{},{},{}n n n X Y Z 都是二阶矩随机序列,U 为二阶矩随机变量,{n c }为常数序列,a ,b ,c 为常数。令X mX i l n =..,Y mY i l n =..,Z mZ i l n =..,c mc i l n =..。则 (1) c c mc i l n n n ==∞ →lim ..; (2) U mU i l =..; (3) cU U c m i l n =)(..; (4) bY aX bY aX m i l n n +=+)(..; (5) ]..[][][lim n n n mX i l E X E X E ==∞ →; (6) )]..)(..[(][][lim ,m n m n m n Y m i l mX i l E Y X E Y X E ==∞ →; 特别有 ]|..[|]|[|]|[|lim 222n n n mX i l E X E X E ==∞ →。 定理4 设{}n X 为二阶矩随机序列,则{}n X 均方收敛的充要条件为下列极限存在 ][lim ,m n m n X X E ∞ →。 二、均方连续 定义 设有二阶矩过程}),({T t t X ∈,若对0t T ∈,有 2000 lim [|()()|]0h E X t h X t →+-=, 则称()X t 在0t 点均方连续,记作000 .. ()()h l i m X t h X t →+=。若对T 中一切点都均方连续,则称()X t 在T 上均方连续。 定理(均方连续准则)二阶矩过程}),({T t t X ∈在t 点均方连续的充要条件为相关函数 处连续在点),(),(21t t t t R X 。 推论 若相关函数),(21t t R X 在}),,{(T t t t ∈上连续,则它在T ×T 上连续 三、均方导数 定义7 设}),({T t t X ∈是二阶矩过程,若存在一个随机过程)(t X ',满足 20 ()() lim | ()|0h X t h X t E X t h →+-'-= ()X t t 则称在点均方可微,记作 0()()() ()..h dX t X t h X t X t l i m dt h →+-'== ()()X t X t t '并称为在点的均方导数。 类似的有2 2)(dt X d t X 或 '' 称 12112211212212012120(,)(,)(,)(,)lim X X X X h h R t h t h R t h t R t t h R t t h h h h →→??++-++--??? ? 为),(21t t R X 在12(,)t t 的广义二阶导数,记为 2 1212) ,(t t t t R X ??? 定理6 均方可微准则 二阶矩过程}),({T t t X ∈在t 点均方可微的充要条件为相关函数),(),(21t t t t R X 在点的广义二阶导数存在。 推论1 二阶矩过程}),({T t t X ∈在T 上均方可微的充要条件为相关函数),(21t t R X 在}),,{(T t t t ∈上每一点广义二阶可微。 推论2 若),(21t t R X 在}),,{(T t t t ∈上每一点广义二阶可微,则() X dm t dt 在T 上以及 1212121212 (,),(,),(,)X X X R t t R t t R t t t t t t ??????? 在T T ?上存在,且有 12121211 12121222221212121221 ()[()] (1)[()]; (,)(2)[()()][()()]; (,)(3)[()()][()()];(,)(,) (4) [()()] X X X X X dm t dE X t E X t dt dt R t t E X t X t E X t X t t t R t t E X t X t E X t X t t t R t t R t t E X t X t t t t t '==?? '==???? '==????''==???? 四、均方积分 定义8 如果0n ?→时,n S 均方收敛于S ,即2 lim ||0n n E S S ?→-=,则称()() f t X t 在[,]a b 上均方可积,并记为 10 1 ()()..()()()n n b i i i i a i S f t X t dt l i m f t X t t t -?→=''==-∑? ()()[,]f t X t a b 称此为在区间上的均方积分。 定理7 (均方可积准则)()()f t X t 在区间[,]a b 上均方可积的充要条件为 121212()()(,)b b X a a f t f t R t t dt dt ?? 存在。特别的,二阶矩过程()X t 在[,]a b 上均方可积的充要条件为12(,)X R t t 在[,][,]a b a b ?上可积。 定理8 设()()f t X t 在区间[,]a b 上均方可积,则有 (1) [ ()()]()[()]b b a a E f t X t dt f t E X t dt =? ? 特别有 [ ()][()]b b a a E X t dt E X t dt =? ? (2) 111222121212[ ()()()()]()()(,)X a a a a E f t X t dt f t X t dt f t f t R t t dt dt =? ?? ? 特别的有 2 1212| ()|(,)b b b X a a a E X t dt R t t dt dt =? ? ? 。 定理9 设二阶矩过程}),({T t t X ∈在[,]a b 上均方连续,则 ()(), ()t a Y t X d a t b ττ=≤≤? 在均方意义下存在,且随机过程}),({T t t X ∈在[,]a b 上均方可微,且有()()Y t X t '=。 推论 设()X t 均方可微,且()X t '均方连续,则 ()()()t a X t X a X t dt '-=? 特别有 ()()()t a X t X a X t dt '-=? §4 平稳过程的各态历经性 定义9 设{(),}X t t -∞<<∞为均方连续的平稳过程,则分别称 11()l.i.m (),()()l.i.m ()()22T T T T T T X t X t dt X t X t X t X t dt T T ττ--→∞ →∞ <>=<->=-? ? 为该过程的时间均值和时间相关函数。 定义10 设{(),}X t t -∞<<∞是均方连续的平稳过程,若()Pr.1(())X t E X t <>,即 1 l.i.m ()2T X T T X t dt m T -→∞ =? 以概率1成立,则称该平稳过程的均值具有各态历经性。 若()()Pr.1(()())X t X t E X t X t ττ<->-,即 1l.i.m ()()()2T X T T X t X t dt R T ττ-→∞-=? 以概率1成立,则称该平稳过程的相关函数具有各态历经性。 定义11 如果均方连续的平稳过程{(),}X t t T ∈的均值和相关函数都具有各态历经性,则称该平稳过程为具有各态历经性或遍历性。 定理 10 设{(),}X t t -∞<<∞是均方连续的平稳过程,则它的均值具有各态历经性的充要条件为 22 21lim 1[()]022T X X T T R m d T T τττ-→∞??--= ??? ? (6.9) 定理 6.11 设{(),}X t t -∞<<∞为均方连续的平稳过程,则其相关函数具有各态历经 性的充要条件为 22 11121lim 1()()022T X T T B R d T T ττττ-→∞????--= ??? ?? ? (6.15) 其中 111()()()()()B E X t X t X t X t τττττ??=----???? (6.16) 定理6.12 对于均方连续平稳过程{(),0}X t t ≤<∞,等式 1l.i.m ()T X T X d m T ττ→∞=? 以概率1成立的充要条件为 1lim 1()02T X T T B d T T τττ-→∞?? -= ??? ? 若()X t 为实平稳过程,则上式变为 1lim 1()0T X T B d T T τττ→∞?? -= ??? ? 定理 6.13 对于均方连续平稳过程{(),0}X t t ≤<∞,等式 1l.i.m ()()()T X T X t X t dt R T ττ→∞-=? 以概率1成立的充要条件为 2 1111lim 1()()0T X T T B R d T T ττττ-→∞????--= ???? ? ? 其中1()B τ与(6.16)式相同。 若()X t 为实平稳过程,则上式变为 2 11101lim 1()()0T X T B R d T T ττττ→∞????--= ?????? 第七章 平稳过程的谱分析 §7.1 平稳过程的谱密度 设)(t X 是均方连续随机过程,作截尾随机过程 ()?? ?>≤=T t T t t X t X T ||,0||),( 因为()t X T 均方可积,故存在傅式变换 (,)()()i t i t x T T T F T X t e dt X t e dt T ωωω--∞==-∞-? ?…………..(7.4) 利用帕塞伐公式及傅式反变换,可得 ()2221()(),2T X T X t dt x t dt F T d T ωωπ∞∞==-∞--∞ ??? 定义7.1 设 {}∞<<-∞t t X ),( 为均方连续随机过程,称 2 21()2lim T T E X t dt T T ψ→∞??=??-?? ? 为 )(t X 的平均功率,称 ()21(),2lim X x T s E F T T ωω→∞? ?=?? 为 )(t X 的功率谱密度,简称谱密度。 当 )(t X 是平稳均方连续函数时,由于[ ] )(2 t X E 是与t 无关的常数,利用均方积分的性质可以将(7.5)式简化得 221()2lim T T E X t dt T T ψ→∞?? =? ?-?? ? ()22 1()()02lim x T T E X t dt E X t R T T →∞????===????-? ……….. (7.8) 由(7.8)式和(7.5)式看出,平稳过程的平均功率等于该过程的均方值,或等于它的谱密 度在频域上的积分,即 ()212X S d ψωωπ∞ = -∞ ? ………………. (7.9) 定义7.2 设{,0,1,2,}n X n =±± 是平稳随机序列,若相关函数满足()X n R n ∞ =-∞ <∞ ∑ 则称 ()(),()in X X n s R n e ωωπωπ∞ -=-∞ = -≤≤∑ 为{,0,1,2,}n X n =±± 的谱密度。 §7.2谱密度的分析 设 {}∞<<-∞t t X ),( 为均方连续平稳过程,)(τX R 为它的相关函数,()ωX S 为它的 频率谱密度,()ωX S 具有下列性质: (1) 若 ()∞<∞-∞ ?ττd R X ,则()ωX S 是)(τX R 的傅式变换,即 ()()i t X X S R e d ωωττ-∞ =-∞ ? ………. (7.12) (2) ()ωX S 是ω的实的,非负的偶函数。 (3) 当 ()ωX S 是ω有理函数时,其形式必为 2222220 222220 .....()......n n n n x n m m a a a s b b ωωωωω----+++=+++ 其中 22,(0,2,,2;2,4,,2)n i m j a b i n j m --== 为常数,且20n a >, m n >,分母无实根。 §7.3 窄带过程及白噪声过程的功率谱密度 定义 1 设 (){},X t t -∞<<∞为实值平稳过程,若它的均值为零,且谱密度在所有频率范围内为非零的常数,即()()0X s N ωω=-∞<<∞则称()X t 为白噪声过程。 具有下列性质的函数称为δ函数: (){()0,0,,0;(1) (2) 1x x x x dx δδ≠∞ ∞=-∞==? δ函数有一个非常重要的运算性质,即抽样性质。对任何连续函数()f x ,有 ()()()0,f x x dx f δ∞ -∞ =? (7.15) 或 ()()().f x x T d x f T δ∞ -∞ -=? §7.4 联合平稳过程的互谱密度 定义7.4 设()X t 和()Y t 是两个平稳过程,且它们是联合平稳的(平稳相关的),若它们的互相关函数()XY R τ满足()XY R d ττ∞-∞<∞?,则称()XY R τ的傅氏变 换 ()()i XY XY s R e d ωτ ωττ∞--∞=? ………………….(7.21) 是()X t 与()Y t 的互功率谱密度,简称互谱密度。 因此互谱密度()YX s ω与互相关函数()YX R τ的关系如下: ()()i YX YX s R e d ωτωττ∞--∞ = ? , ()()12i YX YX R s e d ωτπ τωω∞ -∞= ? 互谱密度具有下列性质: ⑴ ()()XY YX s s ωω=,即()XY s ω与()YX s ω互为共轭; ⑵ ()Re XY s ω????和()Re YX s ω????是ω的偶函数,而()Im XY s ω????和()Im YX s ω????是ω的奇函数; ⑶ ()XY s ω与()X s ω和()Y s ω满足下列关系式: ()()()2 X Y X Y s s s ωωω≤ ⑷若()X t 和()Y t 相互正交,则()()0XY YX s s ωω== 第 一 章 1.1不考 条件部分不考 △雅柯比变换 (随机变量函数的变换 P34) △随机变量之间的“不相关、正交、独立” P51 (各自定义、相关系数定义 相互关系:两个随机变量相互独立必定互不相关,反之不一定成立 正交与不相关、独立没有明显关系 结合高斯情况) △随机变量的特征函数及基本性质 (一维的 P53 n 维的 P58) △ 多维高斯随机变量的概率密度和特征函数的矩阵形式、三点性质 P61 ( )()() () ( ) ()()2 2 1 () 2112 2 22 11 ,,exp 2 2exp ,,exp 22T T x m X X X X X n n X T T jU X X X X X n X M X M f x f x x U U u Q u j m Q u u E e jM U σπσμ---?? --??= = -????? ? ?? ?? ?? ??=-==- ?? ??? ????? ?? C C C u u r u u r u u r u u r u u r u u r L u r u r u u r u r L 另外一些性质: []()20XY XY X Y X C R m m D X E X m ??=-=-≥?? 第二章 随机过程的时域分析 1、随机过程的定义 从三个方面来理解①随机过程(),X t ζ是,t ζ两个变量的函数②(),X t ζ是随时间t 变化的随机变量③(),X t ζ可看成无穷多维随机矢量在0,t n ?→→∞的推广 2、什么是随机过程的样本函数?什么是过程的状态?随机过程与随机变量、样本函数之间的关系? 3、随机过程的概率密度P7 4、特征函数P81。(连续、离散) 一维概率密度、一维特征函数 二元函数 4、随机过程的期望、方差、自相关函数。(连续、离散) 5、严平稳、宽平稳的定义 P83 6、平稳随机过程自相关函数的性质: 0点值,偶函数,周期函数(周期分量),均值 7、自相关系数、相关时间的定义 P88 2 2 2() ()()()()(0)()X X X X X X X X X X C R m R R R R τττρτσ σ--∞= = -∞= 非周期 相关时间用此定义(00()d τρττ∞ =?) 8、两个随机过程之间的“正交”、“不相关”、“独立”。 (P92 同一时刻、不同时刻) 9、两个随机过程联合平稳的要求、性质。P92 第一章随机过程的基本概念与基本类型 一.随机变量及其分布 1.随机变量X,分布函数F(x)P(X x) 离散型随机变量X的概率分布用分布列p k P(X x)分布函数F(x)p k k 连续型随机变量X的概率分布用概率密度f(x)分布函数 x F(x)f(t)dt 2.n维随机变量X(X1,X2,,X n) 其联合分布函数()(1,x,,x n)P(X x,X x,,X n x n,) F x F x 21122 离散型联合分布列连续型联合概率密度 3.随机变量的数字特征 数学期望:离散型随机变量X E X x k p连续型随机变量X EX xf(x)dx k 方差:2() 2 2 DX E(X EX)EX EX反映随机变量取值的离散程度 协方差(两个随机变量X,Y):B XY E[(X EX)(Y EY)]E(XY)EX EY 相关系数(两个随机变量X,Y): B XY XY若0,则称X,Y不相关。 DX DY 独立不相关0 itX 4.特征函数g(t)E(e)离散g(t)e连续g(t)e f x dx itx p itx() k k 重要性质:g(0)1,g(t)1,g(t)g(t),k i k EX g(0) k 5.常见随机变量的分布列或概率密度、期望、方差 0-1分布P(X1)p,P(X0)q EX p DX pq 二项分布k k n k P(X k)C n p q EX np DX n p q k 泊松分布P(X k)e EX DX均匀分布略 k! 2正态分布N(a,) 2 (x a) 1 2 f(x)e EX a 2 2 D X2 指数分布f(x) e 0, x1 ,x0 EX x0 DX 1 2 6.N维正态随机变量(X1,X,,X n) X的联合概率密度X~N(a,B) 2 f( 11 T1 x1,x,,x)exp{(x a)B(x a)} 2n n1 2 22 (2)|B| a(a1,a2,,a n),x(x1,x2,,x n),B(b ij)n n正定协方差阵 二.随机过程的基本概念 1.随机过程的一般定义 设 (,P)是概率空间,T是给定的参数集,若对每个t T,都有一个随机变量X与之对应, 则称随机变量族X(t,e),t T是(,P)上的随机过程。简记为X(t),t T。 含义:随机过程是随机现象的变化过程,用一族随机变量才能刻画出这种随机现象的全部统计规 律性。另一方面,它是某种随机实验的结果,而实验出现的样本函数是随机的。 当 t固定时,X(t,e)是随机变量。当e固定时,X(t,e)时普通函数,称为随机过程的一个样本 函数或轨道。 分类:根据参数集T和状态空间I是否可列,分四类。也可以根据X(t)之间的概率关系分类,如独立增量过程,马尔可夫过程,平稳 过程等 。 2.随机过程的分布律和数字特征 用有限维分布函数族来刻划随机过程的统计规律性。随机过程X(t),t T的一维分布,二维分布,?,n维分布的全体称为有限维分布函数族。随机过程的有限维分布函数族是随机过程概率特征 的完整描述。在实际中,要知道随机过程的全部有限维分布函数族是不可能的,因此用某些 统计特征 来取代。 (1)均值函数 m X(t)EX(t)表示随机过程X(t),t T在时刻t的平均值。 (2)方差函数2 D X(t)E[X(t)m X(t)]表示随机过程在时刻t对均值的偏离程度。 (3)协方差函数B X (s,t)E[(X( E[X s) (s) m ( s ) ) (t) (s) m X m X (t) (t))] 且有 B(t,t)D(t) X X 应用随机过程学习总结 一、预备知识:概率论 随机过程属于概率论的动态部分,即随机变量随时间不断发展变化的过程,它以概率论作为主要的基础知识。 1、概率空间方面,主要掌握sigma代数和可测空间,在随机过程中由总体样本空间所构成的集合族。符号解释: sup表示上确界, inf表示下确界。 本帖隐藏的内容 2、数字特征、矩母函数与特征函数:随机变量完全由其概率分布来描述。其中由于概率分布较难确定,因此通常计算随机变量的数字特征来估算分布总体,而矩母函数和特征函数便用于随机变量的N阶矩计算,同时唯一的决定概率分布。 3、独立性和条件期望:独立随机变量和的分布通常由卷积来表示,对于同为分布函数的两个函数,卷积可以交换顺序,同时满足结合律和分配率。条件期望中,最重要的是理解并记忆E(X) = E[E(X|Y)] = intergral(E(X|Y=y))dFY(y)。 二、随机过程基本概念和类型 随机过程是概率空间上的一族随机变量。因为研究随机过程主要是研究其统计规律性,由Kolmogorov定理可知,随机过程的有限维分布族是随机过程概率特征的完整描述。同样,随机过程的有限维分布也通过某些数值特征来描述。 1、平稳过程,通常研究宽平稳过程:如果X(t1)和X(t2)的自协方差函数 r(t1,t2)=r(0,t-s)均成立,即随机过程X(t)的协方差函数r(t,s)只与时间差 t-s有关,r(t) = r(-t)记为宽平稳随机过程。 因为一条随机序列仅仅是随机过程的一次观察,那么遍历性问题便是希望将随即过程的均值和自协方差从这一条样本路径中估计出来,因此宽平稳序列只需满足其均值遍历性原理和协方差遍历性原理即可。 2、独立增量过程:若X[Tn]– X[T(n-1)]对任意n均相互独立,则称X(t)是独立增量过程。若独立增量过程的特征函数具有可乘性,则其必为平稳增量过程。 兼有独立增量和平稳增量的过程称为平稳独立增量过程,其均值函数一定是时间t的线性函数。 第一章 随机过程得基本概念与基本类型 一.随机变量及其分布 1.随机变量, 分布函数 离散型随机变量得概率分布用分布列 分布函数 连续型随机变量得概率分布用概率密度 分布函数 2.n 维随机变量 其联合分布函数),,,,(),,,()(221121n n n x X x X x X P x x x F x F ≤≤≤== 离散型 联合分布列 连续型 联合概率密度 3.随机变量得数字特征 数学期望:离散型随机变量 连续型随机变量 方差: 反映随机变量取值得离散程度 协方差(两个随机变量): 相关系数(两个随机变量): 若,则称不相关。 独立不相关 4.特征函数 离散 连续 重要性质:,,, 5.常见随机变量得分布列或概率密度、期望、方差 0-1分布 二项分布 泊松分布 均匀分布略 正态分布 指数分布 6.N维正态随机变量得联合概率密度 )}()(2 1ex p{||)2(1 ),,,(121221a x B a x B x x x f T n n ---=-π ,,正定协方差阵 二.随机过程得基本概念 1.随机过程得一般定义 设就是概率空间,就是给定得参数集,若对每个,都有一个随机变量与之对应,则称随机变量族就是上得随机过程。简记为。 含义:随机过程就是随机现象得变化过程,用一族随机变量才能刻画出这种随机现象得全部统计规律性。另一方面,它就是某种随机实验得结果,而实验出现得样本函数就是随机得。 当固定时,就是随机变量。当固定时,时普通函数,称为随机过程得一个样本函数或轨道。 分类:根据参数集与状态空间就是否可列,分四类。 也可以根据之间得概率关系分类,如独立增量过程,马尔可夫过程,平稳过程等。 2.随机过程得分布律与数字特征 用有限维分布函数族来刻划随机过程得统计规律性。随机过程得一维分布,二维分布,…,维分布得全体称为有限维分布函数族。随机过程得有限维分布函数族就是随机过程概率特征得完整描述。在实际中,要知道随机过程得全部有限维分布函数族就是不可能得,因此用某些统计特征来取代。 (1)均值函数 表示随机过程在时刻得平均值。 概率论与随机过程考点总 结 This manuscript was revised by the office on December 10, 2020. 第一章 随机过程的基本概念与基本类型 一.随机变量及其分布 1.随机变量X , 分布函数)()(x X P x F ≤= 离散型随机变量X 的概率分布用分布列 )(k k x X P p == 分布函数∑=k p x F )( 连续型随机变量X 的概率分布用概率密度)(x f 分布函数?∞-=x dt t f x F )()( 2.n 维随机变量),,,(21n X X X X = 其联合分布函数),,,,(),,,()(221121n n n x X x X x X P x x x F x F ≤≤≤== 离散型 联合分布列 连续型 联合概率密度 3.随机变量的数字特征 数学期望:离散型随机变量X ∑=k k p x EX 连续型随机变量X ?∞ ∞-=dx x xf EX )( 方差:222)()(EX EX EX X E DX -=-= 反映随机变量取值的离散程度 协方差(两个随机变量Y X ,):EY EX XY E EY Y EX X E B XY ?-=--=)()])([( 相关系数(两个随机变量Y X ,):DY DX B XY XY ?= ρ 若0=ρ,则称Y X ,不相关。 独立?不相关?0=ρ 4.特征函数)()(itX e E t g = 离散 ∑=k itx p e t g k )( 连续 ?∞ ∞-=dx x f e t g itx )()( 重要性质:1)0(=g ,1)(≤t g ,)()(t g t g =-,k k k EX i g =)0( 母函数:∑∞ ===0 )()(k k k k z p z E z g !) 0()(k g p k k = )1()('g X E = 2''")]1([)1()1()(g g g X D -+= 5.常见随机变量的分布列或概率密度、期望、方差 0-1分布 q X P p X P ====)0(,)1( p EX = pq DX = 二项分布 k n k k n q p C k X P -==)( np EX = npq DX = 泊松分布 ! )(k e k X P k λλ -== λ=EX λ=DX 均匀分布略 正态分布),(2σa N 2 22)(21)(σσ πa x e x f -- = a EX = 2σ=DX 指数分布 ???<≥=-0,00,)(x x e x f x λλ λ1=EX 21 λ=DX 6.N维正态随机变量),,,(21n X X X X =的联合概率密度),(~B a N X 1.2.1 通信系统的一般模型 1.2.3 数字通信的特点 (1) 抗干扰能力强,且噪声不积累 (2) 传输差错可控 (3) 便于处理、变换、存储,将来自不同信源的信号综合到一起传输 (4) 易于集成,使通信设备微型化,重量轻 (5) 易于加密处理,且保密性好 1.3.1 通信系统的分类 按调制方式分类:基带传输系统和带通(调制)传输系统 。调制传输系统又分为多种 调制,详见书中表1-1。 按信号特征分类:模拟通信系统和数字通信系统 按传输媒介分类:有线通信系统和无线通信系统 3.1.2 随机过程的数字特征 均值(数学期望): 方差: 相关函数 3.2.1 平稳随机过程的定义 (1)其均值与t 无关,为常数a ; (2)自相关函数只与时间间隔τ 有关。 把同时满足(1)和(2)的过程定义为广义平稳随机过程。 3.2.2 各态历经性 如果平稳过程使下式成立 则称该平稳过程具有各态历经性。 3.2.4 平稳过程的功率谱密度 非周期的功率型确知信号的自相关函数与其功率谱密度是一对傅里叶变换。这种关系对平稳随机过程同样成立,即有 []∫∞∞?=dx t x xf t E ),()(1ξ} {2)]()([)]([t a t E t D ?=ξξ2121212212121),;,()] ()([),(dx dx t t x x f x x t t E t t R ∫∫ ∞∞?∞∞?==ξξ???==)()(τR R a a ∫∫ ∞ ∞?∞∞??==ω ωπτττωωτξωτξd e P R d e R P j j )(21)()()( 3.3.2 重要性质 广义平稳的高斯过程也是严平稳的。 高斯过程经过线性变换后生成的过程仍是高斯过程。 3.3.3 高斯随机变量 (1)f (x )对称于直线 x = a ,即 (2) 3.4 平稳随机过程通过线性系统 输出过程ξo (t )的均值: 输出过程ξo (t )的自相关函数: 输出过程ξo (t )的功率谱密度: 若线性系统的输入是平稳的,则输出也是平稳的。 如果线性系统的输入过程是高斯型的,则系统的输出过程也是高斯型的。 3.5 窄带随机过程 若随机过程ξ(t )的谱密度集中在中心频率f c 附近相对窄的频带范围Δf 内,即满足Δf << f c 的条件,且 f c 远离零频率,则称该ξ(t )为窄带随机过程。 3.7 高斯白噪声和带限白噪声 白噪声n (t ) 定义:功率谱密度在所有频率上均为常数的噪声 - 双边功率谱密度 - 单边功率谱密度 4.1 无线信道 电磁波的分类: 地波:频率 < 2 MHz ;距离:数百或数千千米 天波:频率:2 ~ 30 MHz ;一次反射距离:< 4000 km 视线传播:频率 > 30 MHz ;距离: 4.3.2 编码信道模型 P(0 / 0)和P(1 / 1) - 正确转移概率,P(1/ 0)和P(0 / 1) - 错误转移概率 P (0 / 0) = 1 – P (1 / 0) P (1 / 1) = 1 – P (0 / 1) 2)(0 n f P n =)(+∞<∞f 0 )(n f P n =)(0+∞< 第一章:预备知识 §1、1 概率空间 随机试验,样本空间记为Ω。 定义1、1 设Ω就是一个集合,F 就是Ω的某些子集组成的集合族。如果 (1)∈ΩF; (2)∈A 若F ,∈Ω=A A \则F; (3)若∈n A F , ,,21=n ,则 ∞=∈1n n A F; 则称F 为-σ代数(Borel 域)。(Ω,F )称为可测空间,F 中的元素称为事件。 由定义易知: . 216\,,)5)4(111F A A A i F A F B A F B A F i i n i i n i i i ∈=∈∈∈∈?∞ === ,,则,,,)若(; 则若(; 定义1、2 设(Ω,F )就是可测空间,P(·)就是定义在F 上的实值函数。如果 ()()()()∑∞ =∞==???? ???=?≠=Ω≤≤∈1121,,,31210,)1(i i i i j i A P A P A A j i A A P A P F A 有 时,当)对两两互不相容事件(; )(; 任意 则称P 就是()F ,Ω上的概率,(P F ,,Ω)称为概率空间,P(A)为事件A 的概率。 定义1、3 设(P F ,,Ω)就是概率空间,F G ?,如果对任意 G A A A n ∈,,,21 , ,2,1=n 有: (),1 1∏===???? ??n i i n i i A P A P 则称G 为独立事件族。 §1、2 随机变量及其分布 随机变量X ,分布函数)(x F ,n 维随机变量或n 维随机向量,联合分布函 数,{}T t X t ∈,就是独立的。 §1、3随机变量的数字特征 定义1、7 设随机变量X 的分布函数为)(x F ,若?∞ ∞-∞<)(||x dF x ,则称 )(X E =?∞ ∞-)(x xdF 为X 的数学期望或均值。上式右边的积分称为Lebesgue-Stieltjes 积分。 方差,()()[]EY Y EX X E B XY --=为X 、Y 的协方差,而 DY DX B XY XY = ρ 为X 、Y 的相关系数。若,0=XY ρ则称X 、Y 不相关。 (Schwarz 不等式)若,,22∞<∞ 随机过程知识点汇总 第一章 随机过程的基本概念与基本类型 一.随机变量及其分布 1.随机变量X , 分布函数)()(x X P x F ≤= 离散型随机变量X 的概率分布用分布列 ) (k k x X P p == 分 布函数∑=k p x F )( 连续型随机变量X 的概率分布用概率密度)(x f 分布函数?∞ -=x dt t f x F )()( 2.n 维随机变量) ,,,(2 1 n X X X X Λ= 其联合分布函数) ,,,,(),,,()(2211 2 1 n n n x X x X x X P x x x F x F ≤≤≤==ΛΛ 离散型 联合分布列 连续型 联合概率密度 3.随机变量的数字特征 数学期望:离散型随机变量X ∑=k k p x EX 连续型随 机变量X ?∞ ∞-=dx x xf EX )( 方差:2 22 )() (EX EX EX X E DX -=-= 反映随机变量取值的 离散程度 协方差(两个随机变量Y X ,): EY EX XY E EY Y EX X E B XY ?-=--=)()])([( 相关系数(两个随机变量Y X ,): DY DX B XY XY ?= ρ 若 0=ρ,则称Y X ,不相关。 独立?不相关?0=ρ 4.特征函数)()(itX e E t g = 离散 ∑=k itx p e t g k )( 连续 ?∞ ∞ -=dx x f e t g itx )()( 重要性质:1)0(=g ,1)(≤t g ,)()(t g t g =-,k k k EX i g =)0( 5.常见随机变量的分布列或概率密度、期望、方差 0-1分布 q X P p X P ====)0(,)1( p EX = pq DX = 二项分布 k n k k n q p C k X P -==)( np EX = npq DX = 泊松分布 ! )(k e k X P k λλ -== λ =EX λ =DX 均匀分布 略 正态分布),(2 σa N 2 22)(21)(σσ πa x e x f -- = a EX = 2 σ=DX 指数分布 ?? ?<≥=-0, 00,)(x x e x f x λλ λ 1 = EX 2 1 λ = DX 6.N维正态随机变量) ,,,(2 1 n X X X X Λ=的联合概率密度 ),(~B a N X )} ()(2 1 ex p{| |)2(1),,,(12 12 21a x B a x B x x x f T n n ---= -πΛ ) ,,,(21n a a a a Λ=,),,,(2 1 n x x x x Λ=,n n ij b B ?=)(正定协方差阵 二.随机过程的基本概念 1.随机过程的一般定义 设) , (P Ω是概率空间,T 是给定的参数集,若对每 个T t ∈,都有一个随机变量X 与之对应,则称随机变量 概率论与随机过程考点 总结 HUA system office room 【HUA16H-TTMS2A-HUAS8Q8-HUAH1688】 第一章 随机过程的基本概念与基本类型 一.随机变量及其分布 1.随机变量X , 分布函数)()(x X P x F ≤= 离散型随机变量X 的概率分布用分布列 )(k k x X P p == 分布函数∑=k p x F )( 连续型随机变量X 的概率分布用概率密度)(x f 分布函数?∞-=x dt t f x F )()( 2.n 维随机变量),,,(21n X X X X = 其联合分布函数),,,,(),,,()(221121n n n x X x X x X P x x x F x F ≤≤≤== 离散型 联合分布列 连续型 联合概率密度 3.随机变量的数字特征 数学期望:离散型随机变量X ∑=k k p x EX 连续型随机变量X ?∞ ∞-=dx x xf EX )( 方差:222)()(EX EX EX X E DX -=-= 反映随机变量取值的离散程度 协方差(两个随机变量Y X ,):EY EX XY E EY Y EX X E B XY ?-=--=)()])([( 相关系数(两个随机变量Y X ,):DY DX B XY XY ?=ρ 若0=ρ,则称Y X ,不相 关。 独立?不相关?0=ρ 4.特征函数)()(itX e E t g = 离散 ∑=k itx p e t g k )( 连续 ?∞ ∞ -=dx x f e t g itx )()( 重要性质:1)0(=g ,1)(≤t g ,)()(t g t g =-,k k k EX i g =)0( 母函数:∑∞ ===0 )()(k k k k z p z E z g !) 0()(k g p k k = )1()('g X E = 2''")]1([)1()1()(g g g X D -+= 5.常见随机变量的分布列或概率密度、期望、方差 0-1分布 q X P p X P ====)0(,)1( p EX = pq DX = 二项分布 k n k k n q p C k X P -==)( np EX = npq DX = 泊松分布 ! )(k e k X P k λλ -== λ=EX λ=DX 均匀分布略 正态分布),(2σa N 2 22)(21)(σσ πa x e x f -- = a EX = 2σ=DX 指数分布 ???<≥=-0,00,)(x x e x f x λλ λ1=EX 21 λ=DX 6.N维正态随机变量),,,(21n X X X X =的联合概率密度),(~B a N X T n a a a a ),,,(21 =,T n x x x x ),,,(21 =,n n ij b B ?=)(正定协方差阵 3.随机向量的变换 二.随机过程的基本概念 1.随机过程的一般定义 第一章随机过程 的基本概念与基本类型 一.随机变量及其分布 X ,分布函数 F (x) P(X x) 1.随机变量 离散型随机变量 X 的概率分布用分布列 p P(X x k ) F(x) p k f (t)dt 分布函数 k x X 的概率分布用概率密度 f (x) F(x) 分布函数 连续型随机变量 2.n 维随机变量 X (X ,X , , X ) 1 2 n F(x) F(x ,x , ,x ) P(X x , X 2 x , , X n x n ,) 其联合分布函数 1 2 n 1 1 2 离散型 联合分布列 连续型联合概率密度 3.随机变量 的数字特征 数学期望:离散型随机变量 X EX x p k k X EX xf (x)dx 连续型随机变量 2 DX E(X EX) 2 EX (EX) 2 方差: 反映随机变量取值 的离散程度 协方差(两个随机变量 X ,Y ): B E[( X EX)(Y EY)] E(XY) EX EY XY B XY 相关系数(两个随机变量 X,Y ): 0,则称 X ,Y 不相关。 若 XY DX DY 独立 不相关 itX g(t) E(e ) itx e p k 连续 g(t) k e itx f (x)dx 4.特征函数 离散 g(t) 重要性质: g(0) 1, g(t) 1 g( t) g(t) , , g (0) i EX k k k 5.常见随机变量 的分布列或概率密度、期望、方差 0-1分布 二项分布 P( X 1) p,P( X 0) q EX p DX pq P(X k) C p q n k k k EX np DX n p q n k 泊松分布 P( X k) e k! EX DX 均匀分布略 ( x a)2 1 2 N(a, ) f (x) 2 2 2 EX a 正态分布 e DX 2 随机过程学习报告 通过这一段时间以来的学习,我认识到我们的生活中充满了随机过程的实例,在生活中我们经常需要了解在一定时间间隔[0,t)内某随机事件出现次数的统计规律,如到某商店的顾客数;某电话总机接到的呼唤次数;在电子技术领域中的散粒噪声和脉冲噪声;已编码信号的误码数等。在我们的专业学习——通信工程中,研究数字通信中已编码信号的误码流,数模变换中对信号进行采样等也都会应用到随机过程的知识,因此这门课程的学习是非常重要的。 一、认识泊松过程与复合泊松过程的区别 泊松过程是一类很重要的随机过程,随机质点流描述的随机现象十分广泛,下面我就通过运用泊松过程的知识解答一道书本中的实际应用题目: 设移民到某地区定居的户数是一泊松过程,平均每周有两户定居,即λ=2。若每户的人口数是随机变量,一户4人的概率是1/6,一户3人的概率是1/3,一户两人的概率是1/3,一户一人的概率是1/6,且每户的人口数是相互独立的,①5周内移民到该地区定居的人口数是否为泊松过程?②求上述随机过程的数学期望与方差。 分析:这道题目中的问题就是复合泊松过程的实际应用,这类过程具有泊松过程的一部分性质,不同的地方就在于随机质点流的到达不必再满足每次只能到一个的标准,这就将随机过程的研究与实际相融合,生活中的大部分过程其实是不可能满足每次到达一个这样的苛刻要求的,比如调查到达商场购物的人数等问题时,实际去商场购物时人们大多都是与好朋友结伴出行而不可能存在每个人都是独自来购物的现象,所以引入复合泊松过程是十分有必要的。 解:设[0,t)时间内到该地定居的户数为N(t),则{N(t),t>=0}是一泊松过程,X(n)为第n 户移民到该地定居的家庭人口数,{X(0)=0,X(n),n=1,2,3···}是独立同分布随机变量列,Y(t)为[0,t)时间内定居到该地的人数。 则Y(t)=∑=) (0 )n (X t N n t>=0 为一复合泊松过程, )()(υ?n X =4γi e *1/6+3γi e *1/3+2γi e *1/3+γi e *1/6 )()t (υ?Y =)1)((t )1(-γ?λX e 由特征函数的唯一性可知,Y(t)不是泊松过程。 E[X(n)]=4*1/6+3*1/3+2*1/3+1*1/6=5/2 E[)(n X 2 ]=16*1/6+9*1/3+4*1/3+1*1/6=43/6 则E[Y(t)]=λt*E[X(1)]=t*5; D[Y(t)]=λt*E[)(1X 2 ]=t*43/3; 则五周内定居到该地的人数数学期望为:5*5=25 方差为:5*43/3=215/3 第一章: 考试范围1.3,1.4 1、计算指数分布的矩母函数. 2、计算标准正态分布)1,0(~N X 的矩母函数. 3、计算标准正态分布)1,0(~N X 的特征函数. 第二章: 1. 随机过程的均值函数、协方差函数与自相关函数 2. 宽平稳过程、均值遍历性的定义及定理 3. 独立增量过程、平稳增量过程,独立增量是平稳增量的充要条件 1、设随机过程()Z t X Yt =+,t -∞<<∞.若已知二维随机变量(,)X Y 的协方差矩阵为2122σρρσ?????? ,求()Z t 的协方差函数. 2、设有随机过程{(),}X t t T ∈和常数a ,()()()Y t X t a X t =+-,t T ∈,计算()Y t 的自相关函数(用(,)X R s t 表示). 3、设12()cos sin X t Z t Z t λλ=+,其中212,~(0,)Z Z N σ是独立同分布的随机变量,λ为实数,证明()X t 是宽平稳过程. 4、设有随机过程()sin cos Z t X t Y t =+,其中X 和Y 是相互独立的随机变量,它们都分别以0.5和0.5的概率取值-1和1,证明()Z t 是宽平稳过程. 第三章: 1. 泊松过程的定义(定义3.1.2)及相关概率计算 2. 与泊松过程相联系的若干分布及其概率计算 3. 复合泊松过程和条件泊松过程的定义 1、设{(),0}N t t ≥是参数3λ=的Poisson 过程,计算: (1). {(1)3}P N ≤; (2). {(1)1,(3)3}P N N ==; (3). {(1)2(1)1}P N N ≥≥. 2、某商场为调查顾客到来的客源情况,考察了男女顾客来商场的人数. 假设男女顾客来商场的人数分别独立地服从每分钟2人与每分钟3人的泊松过程. (1).试求到某时刻t 时到达商场的总人数的分布; 概率论与随机过程考点 总结 Coca-cola standardization office【ZZ5AB-ZZSYT-ZZ2C-ZZ682T-ZZT18】 第一章 随机过程的基本概念与基本类型 一.随机变量及其分布 1.随机变量X , 分布函数)()(x X P x F ≤= 离散型随机变量X 的概率分布用分布列 )(k k x X P p == 分布函数∑=k p x F )( 连续型随机变量X 的概率分布用概率密度)(x f 分布函数?∞-=x dt t f x F )()( 2.n 维随机变量),,,(21n X X X X = 其联合分布函数),,,,(),,,()(221121n n n x X x X x X P x x x F x F ≤≤≤== 离散型 联合分布列 连续型 联合概率密度 3.随机变量的数字特征 数学期望:离散型随机变量X ∑=k k p x EX 连续型随机变量X ?∞ ∞-=dx x xf EX )( 方差:222)()(EX EX EX X E DX -=-= 反映随机变量取值的离散程度 协方差(两个随机变量Y X ,):EY EX XY E EY Y EX X E B XY ?-=--=)()])([( 相关系数(两个随机变量Y X ,):DY DX B XY XY ?= ρ 若0=ρ,则称Y X ,不相关。 独立?不相关?0=ρ 4.特征函数)()(itX e E t g = 离散 ∑=k itx p e t g k )( 连续 ?∞ ∞-=dx x f e t g itx )()( 重要性质:1)0(=g ,1)(≤t g ,)()(t g t g =-,k k k EX i g =)0( 母函数:∑∞ ===0 )()(k k k k z p z E z g !) 0()(k g p k k = )1()('g X E = 2''")]1([)1()1()(g g g X D -+= 5.常见随机变量的分布列或概率密度、期望、方差 0-1分布 q X P p X P ====)0(,)1( p EX = pq DX = 二项分布 k n k k n q p C k X P -==)( np EX = npq DX = 泊松分布 ! )(k e k X P k λλ -== λ=EX λ=DX 均匀分布略 正态分布),(2σa N 2 22)(21)(σσ πa x e x f -- = a EX = 2σ=DX 指数分布 ???<≥=-0,00,)(x x e x f x λλ λ1=EX 21 λ=DX 6.N维正态随机变量),,,(21n X X X X =的联合概率密度),(~B a N X H a r b i n I n s t i t u t e o f T e c h n o l o g y 课程设计(论文) 课程名称:应用随机过程 设计题目:随机过程简史 院系:电气工程学院 班级: 11S0104 设计者:孙延博 学号: 11S001070 指导教师:田波平 设计时间: 2011-10-23 随机过程简史 摘要 本文简要地介绍了随机过程从20世纪初创立至今,100年的发展历程考察了导致随机过程产生的历史契机,以及早期数学家在这方面作出的杰出工作。并简要介绍了随机过程的概念,研究方法 和研究内容,在现代工程技术领域的应用。 关键词:随机过程平稳随机过程平稳随机序列 1.随机过程的概念研究方法及研究内容 随机过程是现代概率论研究的一个重要分支。数学上的随机过程是由实际随机过程概念引起的一种数学结构。人们研究这种过程,是因为它是实际随机过程的数学模型,或者是因为它的内在数学意义以及它在概率论领域之外的应用。数学上的随机过程可以简单的定义为一组随机变量,即指定一参数集,对于其中每一参数点t指定一个随机变量x(t)。如果回忆起随机变量自身就是一个函数,以ω表示随机变量x(t)的定义域中的一点,并以x(t,ω)表示随机变量在ω的值,则随机过程就由刚才定义的点偶(t,ω)的函数以及概率的分配完全确定。如果固定t,这个二元函数就定义一个ω的函数,即以x(t)表示的随机变量。如果固定ω,这个二元函数就定义一个t的函数,这是过程的样本函数。由于物理学生物学,通讯和控制管理科学等学科的需要随机过程逐步发展起来的。马尔柯夫最早研究了随机过程。研究随机过程的方法多种多样,主要可以分为两大类:一类是概率方法,其中用到轨道性质、停时和随机微分方程等;另一类是分析的方法,其中用到测度轮、微分方程、半群理论、函数堆和希尔伯特空间等。实际研究中常常两种方法并用。另外组合方法和代数方法在某些特殊随机过程的研究中也有一定作用。研究的主要内容有:多指标随机过程、无穷质点与马尔可夫过程、概率与位势及各种特殊过程的专题讨论等。中国学者在平稳过程、马尔科夫过程、鞅论、极限定理、随机微分方程等方面做出了较好的工作。 2.随机过程的历史 1900年,Bachelier在分析股票市场波动时.发现了随机过程的一个重过程——独立增量过程的特恻。1905年,物理学家Einstein在研究Brown运动时,也遇到了相同的过程.1923年,Wiener 给出了Brown运动的数学描述- wiener过程。 Lunbderg在1903年研究一个保险公司所承担索赔累计数的变化规律时.导出了另一类型的随机过程——Lundberg过程。而众所周知、应用甚广的Poisson过程是当所有得付出的索赔总数中每一笔数目都相同时的Lundberg过程。 1909年,Erlang在研究电话业务时引入了Poisson过程,并被物理学家Rutherford和Geiger用于分析放射性蜕变。这些早期对随机过程的研究都是同实际问题紧密联系在一起的。虽然在数学上用了不太严密的方法,却表现出了直观处理这些概念和方法的绝妙能力。 随机过程知识点汇总-CAL-FENGHAI-(2020YEAR-YICAI)_JINGBIAN 第一章 随机过程的基本概念与基本类型 一.随机变量及其分布 1.随机变量X , 分布函数)()(x X P x F ≤= 离散型随机变量X 的概率分布用分布列 )(k k x X P p == 分布函数∑=k p x F )( 连续型随机变量X 的概率分布用概率密度)(x f 分布函数?∞-=x dt t f x F )()( 2.n 维随机变量),,,(21n X X X X = 其联合分布函数),,,,(),,,()(221121n n n x X x X x X P x x x F x F ≤≤≤== 离散型 联合分布列 连续型 联合概率密度 3.随机变量的数字特征 数学期望:离散型随机变量X ∑=k k p x EX 连续型随机变量X ?∞ ∞-=dx x xf EX )( 方差:222)()(EX EX EX X E DX -=-= 反映随机变量取值的离散程度 协方差(两个随机变量Y X ,):EY EX XY E EY Y EX X E B XY ?-=--=)()])([( 相关系数(两个随机变量Y X ,):DY DX B XY XY ?= ρ 若0=ρ,则称Y X ,不相关。 独立?不相关?0=ρ 4.特征函数)()(itX e E t g = 离散 ∑=k itx p e t g k )( 连续 ?∞ ∞-=dx x f e t g itx )()( 重要性质:1)0(=g ,1)(≤t g ,)()(t g t g =-,k k k EX i g =)0( 5.常见随机变量的分布列或概率密度、期望、方差 0-1分布 q X P p X P ====)0(,)1( p EX = pq DX = 二项分布 k n k k n q p C k X P -==)( np EX = npq DX = 泊松分布 !)(k e k X P k λλ-== λ=EX λ=DX 均匀分布略 第一章 随机过程的基本概念与基本类型 一.随机变量及其分布 1.随机变量X , 分布函数)()(x X P x F ≤= 离散型随机变量X 的概率分布用分布列 )(k k x X P p == 分布函数∑=k p x F )( 连续型随机变量X 的概率分布用概率密度)(x f 分布函数? ∞ -=x dt t f x F )()( 2.n 维随机变量),,,(21n X X X X = 其联合分布函数),,,,(),,,()(221121n n n x X x X x X P x x x F x F ≤≤≤== 离散型 联合分布列 连续型 联合概率密度 3.随机变量的数字特征 数学期望:离散型随机变量X ∑= k k p x EX 连续型随机变量X ?∞ ∞-=dx x xf EX )( 方差:2 2 2 )()(EX EX EX X E DX -=-= 反映随机变量取值的离散程度 协方差(两个随机变量Y X ,):EY EX XY E EY Y EX X E B XY ?-=--=)()])([( 相关系数(两个随机变量Y X ,):DY DX B XY XY ?= ρ 若0=ρ,则称Y X ,不相关。 独立?不相关?0=ρ 4.特征函数)()(itX e E t g = 离散 ∑=k itx p e t g k )( 连续 ?∞ ∞-=dx x f e t g itx )()( 重要性质:1)0(=g ,1)(≤t g ,)()(t g t g =-,k k k EX i g =)0( 5.常见随机变量的分布列或概率密度、期望、方差 0-1分布 q X P p X P ====)0(,)1(p EX =pq DX = 二项分布 k n k k n q p C k X P -==)(np EX =npq DX = 泊松分布 ! )(k e k X P k λλ -==λ=EX λ=DX 均匀分布略 第一章:预备知识 §1.1 概率空间 随机试验,样本空间记为Ω。 定义1.1 设Ω是一个集合,F 是Ω的某些子集组成的集合族。如果 (1)∈ΩF ; (2)∈A 若F ,∈Ω=A A \则F ; (3)若∈n A F , ,,21 =n ,则 ∞ =∈1 n n A F ; 则称F 为-σ代数(Borel 域)。(Ω,F )称为可测空间,F 中的元素称为事件。 由定义易知: . 216\,,)5)4(1 1 1 F A A A i F A F B A F B A F i i n i i n i i i ∈=∈∈∈∈?∞ === ,,则,,,)若(; 则若(; 定义1.2 设(Ω,F )是可测空间,P(·)是定义在F 上的实值函数。如果 ()()()()∑∞=∞==???? ???=?≠=Ω≤≤∈1 121,,,31210,)1(i i i i j i A P A P A A j i A A P A P F A 有 时,当)对两两互不相容事件(;)(; 任意 则称P 是()F ,Ω上的概率,(P F ,,Ω)称为概率空间,P(A)为事件A 的概率。 定义1.3 设(P F ,,Ω)是概率空间,F G ?,如果对任意G A A A n ∈,,,21 , ,2,1=n 有: (),1 1 ∏===??? ? ??n i i n i i A P A P 则称G 为独立事件族。 §1.2 随机变量及其分布 随机变量X ,分布函数)(x F ,n 维随机变量或n 维随机向量,联合分布函数, {}T t X t ∈,是独立的。 §1.3随机变量的数字特征 定义1.7 设随机变量X 的分布函数为)(x F ,若 ? ∞ ∞ -∞<)(||x dF x ,则称 )(X E =?∞ ∞ -)(x xdF 为X 的数学期望或均值。上式右边的积分称为Lebesgue-Stieltjes 积分。 方差,()()[]EY Y EX X E B XY --=为X 、Y 的协方差,而 DY DX B XY XY =ρ 为X 、Y 的相关系数。若,0=XY ρ则称X 、Y 不相关。 (Schwarz 不等式)若,,2 2 ∞<∞随机信号分析期末总复习提纲重点知识点归
随机过程知识点汇总
应用随机过程学习总结
随机过程知识点汇总
概率论与随机过程考点总结
通信原理知识点归纳
随机过程知识点
随机过程知识点汇总
概率论与随机过程考点总结定稿版
(完整版)随机过程知识点汇总
随机过程学习总结
随机过程知识点总结
概率论与随机过程考点总结
随机过程简史
随机过程知识点汇总
随机过程知识点汇总
随机过程知识点