随机过程第一章 预备知识及补充
第一章 预备知识
随机过程通常被视为概率论的动态部分。在概率论中研究的随机现象,都是在概率空间(,,)F P Ω上的一个或有限多个随机变量的规律性。涉及中心极限定理时也不过是随机变量序列的讨论。在实际问题中,我们还需要研究一些随机现象的发展和变化过程,即随时间不断变化的随机变量,而且,所涉及的随机变量通常是无限多个(甚至有时与时间一样多,因而是不可数的)。
1.1 概率空间
概率论的一个基本概念是随机试验:其结果在事先不能确定的试验。随机试验具有三个特征:
(1)可以在相同的条件下重复进行;
(2)每次试验的结果不止一个,但预先知道试验的所有可能的结果; (3)每次试验前不能确定哪个结果会出现。
随机试验的所有可能结果组成的集合称为该试验的样本空间,记为Ω。Ω中的元素ω称为样本点或基本事件,Ω的子集A 称为事件。样本空间Ω称为必然事件,空集?称为不可能事件。
定义1.1:设Ω是一个样本空间,F 是Ω某些子集组成的集合族,如果满足: (1)F Ω∈;
(2)若A F ∈,则\c
A A F =Ω∈; (3)若n A F ∈,1,2,n = ,则
1
n n A F ∞
=∈ 。
则称F 为σ-代数。(,)F Ω称为可测空间,F 中的元素称为事件。
如果F 为σ-代数,则: (1)F ?∈;。 (2)若n A F ∈,1,2,n = ,则
1
n n A F ∞
=∈ 。
定义 1.2:设Ω= 。由所有半无限区间(,)x -∞生成的σ-代数(即包含集族
{}(,),x x -∞∈ 的最小σ-代数)称为 上的波莱尔(Borel )σ-代数,记为()B ,其中
的元素称为波莱尔集合。类似地可定义n
上的波莱尔σ-代数()n
B 。
定义1.3:假设对样本空间Ω的每一个事件A 定义了一个数()P A ,且满足以下三条公
理:
(1)非负性:0()1P A ≤≤;
(2)规范性:()1P Ω=,()0P ?=;
(3)可列可加性:对任意的两两互不相容事件12,,A A ,即,i j A A i j =?≠ ,有
1
1
()()i i i i P A P A ∞
∞
===∑
则称P 是(,)F Ω上的概率,(,,)F P Ω称为概率空间,()P A 称为事件A 的概率。
由公理(1)(2)(3)及定义可知概率具有如下几点性质:
(1)若,A B F ∈,则()()()()P A B P A P B P A B =+- (加法公式); (2)若,A B F ∈,且A B ?,则()()P A P B ≤(单调性); (3)若,A B F ∈,则()()()P B A P B P AB -=-;
当A B ?,则()()()P B A P B P A -=-(减法公式;差事件:B 发生而A 不发生); (4)若,1n A F n ∈≥,则1
1
(
)()n
n
n n P A P A ≥≥≤∑ (Boole's inequality ,布尔不等式:
假定一些事件组成了一个可数的集合,那么这集合中的至少一个事件发生的概率不大于每个事件发生的概率的和。);
当,1,2,n A n = 两两互不相容时,则1
1
(
)()n
n
n n P A P A ≥≥=∑ ;
概率函数P 的一个重要性质是连续性,为了更精确地阐明这一性质,需要引进极限事件的概念。定义如下:
若1,1n n A A n +?≥,称事件序列{},1n A n ≥为递增的; 当1,1n n A A n +?≥,则事件序列{},1n A n ≥为递减的。
如果{},1n A n ≥是一递增的事件序列,那么我们定义一个新的事件,记为lim n n A →∞
:
1
lim n i n i A A ∞
→∞
== ;
如果{},1n A n ≥是一递减的事件序列,那么我们定义一个新的事件,记为lim n n A →∞
:
1
lim n i n i A A ∞
→∞
== 。
现在,我们开始讨论以下几个命题:
命题1.1:如果{},1n A n ≥是递增或递减的事件序列,则
lim ()(lim )n n n n P A p A →∞
→∞
=
证明:
首先假设{},1n A n ≥是递增的事件序列,并定义事件,1n C n ≥为
11
1
11(),1
n c c
n n i n n i C A C A A A A n --====>
即n C 由包含在n A 中但不在任何前面的()i A i n <中的元素组成。容易验证n C 是互不相容事件(请验证),满足
1
1
1
1
,,1n n
i
i
i
i
i i i i C A C A n ∞∞======?≥
则
1
1
1
1
1
1
()()()lim ()lim ()lim ()lim ()
n n
n i i i i i i n n n n n i i i i i i P A P C P C P C P C P A P A ∞∞∞→∞
→∞
→∞
→∞
============∑∑ 这证明了{},1n A n ≥是递增的事件序列时的结论。
如果{},1n A n ≥是递减的事件序列时,则{}
,1n c
A n ≥是递增的事件序列,因此
1
()(lim )i n c c n i P A p A ∞
→∞
==
但因
1
1()i
c
c i i i A
A ∞
∞
=== ,则
1
1
1()1(lim )()(lim )i c
n i n n n i i P A p A P A p A ∞
∞
→∞
→∞
==-=-?=
{},1n A n ≥是递减的事件序列时的结论得证。
定义 1.4:设,1n A F n ∈≥,所有属于无限多个集合n A 的ω的集合称为事件序列
{},1n A n ≥的上极限,记为limsup
n n A →∞
。可以证明 1limsup n n n k n k
A A ∞∞
→∞
===
可记为{},..n A i o 。
事件序列{},1n A n ≥的下极限定义为
{}00liminf :,,n n n A n n n A ωω→∞
=∈Ω??>∈
可以证明
1liminf n n n k n k
A A ∞∞
→∞
===
命题1.2(波莱尔-坎泰利(Borel-Cantelli )第一引理):设{},1n A n ≥为一事件序列,
且limsup n A A =。若
()n
n
P A <∞∑,则
{},..()0n P A i o P A ==
命题1.3(波莱尔-坎泰利(Borel-Cantelli )第二引理):如果{},1n A n ≥为独立的事件
序列,使得
1
()n
n P A ∞
==∞∑,则
{},..1n P A i o =
第一引理证明:
根据定义1.4对事件序列{},1n A n ≥上极限的定义可知,因为样本点ω在无穷多个事件
,1n A n ≥发生,则在,1n n k
A k ∞=?≥ 也同样发生,从而在1n k n k
A ∞∞
== 亦发生;另一方面,如果
样本点ω在
1n
k n k
A
∞∞
== ,则对于1k ?≥,ω在
n
n k
A
∞
= 发生,从而对于1k ?≥至少有一个n k ≥,
即n k ?≥,使得ω在n A 发生,因此有ω在无穷多个n A 发生。
因为,1n n k A k ∞=??
≥????
是递减的事件序列,由命题1.1可得
1()(lim )lim ()lim ()0n n n n k k k n k
k n k
n k
n k
P A P A P A P A ∞
∞
∞
∞
∞
→∞
→∞
→∞
=======≤=∑
第二引理证明:
1()(lim )lim ()lim[1()]c n n n n k k k k n k
n k
n k
n k
P A P A P A P A ∞
∞
∞
∞
∞
→∞
→∞
→∞
========- 由,1n A n ≥的独立性且
1
()n
n P A ∞
==∞∑可得
()
()()[1()]exp(())0n P A c c n
n
n n n k
n k
n k
n k
n k
P A P A P A e
P A ∞∞∞∞
∞
-=======-≤=-=∑∏∏∏
该证明过程利用了不等式1x
x e --≤。
例1.1:设12,,X X 使得2
1
(0)1(1),1n n P X P X n n ==
=-=≥。试证明 lim 1n n X →∞
=
证:
记{}0n n A X ==,因
1()n
n P A ∞
=<∞∑(为什么?)
,由波莱尔-坎泰利第一引理可知,无穷多个n X 等于0的概率为0。因此,对于充分大的n ,n X 必须等于1,从而可以概率1断定有
lim 1n n X →∞
=
例1.2:设12,,X X 独立且使得1
(0)1(1),1n n P X P X n n
==
=-=≥。试证明 n X 的极限不存在
证:
记{}0n n A X ==,因
1
()n
n P A ∞
==∞∑(为什么?)
,由波莱尔二坎泰利第一引理可知,无穷多个n X 等于0的事件发生;又因
1
()n
c
n P A ∞
==∞∑,所以也有无穷多个n
X
等于1的事件
发生。因此,以概率1断定有无穷多个n X 等于0及无穷多个n X 等于1发生,即当n →∞时,以概率1断定n X 的极限不存在。
1.2 随机变量和分布函数
定义1.5:设(,,)F P Ω是完备的概率空间,X 是定义在Ω上,
取值于实数集 的函数,如果对任意实数x ∈ ,有{}:()X x F ωω
≤∈,则称()X ω是F 上的随机变量,简称为随机变量。函数
{}():(),F x P X x x ωω=≤-∞<<∞
称为随机变量X 的分布函数。
一个随机变量X 的可能取值的集合是可数的,则该随机变量称为离散的。对于离散型随机变量有
(),1,2,()k k k k
x x
p P X x k F x p
≤====
∑
连续型随机变量X 的概率分布用概率密度()f x 描述,其分布函数
()()()()
x
F x f t dt
d f x F x dx
-∞
==?
对于随机向量12(,,,)d X X X X = ,它的d 维联合分布函数定义为
{}121122(,,,),,,1,,1d d d k F x x x P X x X x X x d x k d
=≤≤≤≥∈≤≤
联合分布函数12(,,,)d F x x x 具有如下几点特点: (1)单调递增性; (2)右连续性; (3)对1,2,,i d = 有
111,,lim (,,,,)0lim (,,,,)1
i d i d x i d x x F x x x F x x x →-∞
→∞
==
联合密度函数 边际分布
1112,,(,,)(,,,,,,,,,,,)n n n k k k k k k k F x x F x x x =∞∞∞∞∞∞
随机变量独立性
121221311(,,,)(,,)(,,,)(,,)d d x d x d x d F x x x F x x F x x x F x x -=
重要分布:
离散均匀分布、二项分布、几何分布、泊松分布、连续均匀分布、正态分布、Γ分布、指数分布、2χ分布、d 维正态分布,等等。
1.3 数字特征、矩母函数与特征函数
1.3.1 数字特征
原点矩:()k
k R
x dF x μ=?
中心矩:()()k k R
m x dF x μ=
-?
期望:{}()R
xP X x EX xf x dx μ?=?==???∑?
方差:{}2
2
2
()()()()R
x P X x Var X x f x dx μσμ?-=?==?-??∑? 协方差:cov(,)()()X Y E X EX Y EY =--
1.3.2 矩母函数和特征函数
X 的矩母函数定义为
()()()tX tx X X t E e e dF x ?==?
对()X t ?逐次求导并计算在0t =点的值得到X 的各阶矩,即
'''2()()
()()
()()
X
X
X
tX tX n n tX t E Xe t E X e t E X e ???===
计算在0t =点的值得到
(0)(),1X
n n E X n ?=≥
当矩母函数存在时,它唯一地决定分布,我们能够用矩母函数刻划随机变量的概率分布。但有时随机变量的矩母函数不一定存在时,在这种情况下,更方便的运用如下定义的特征函数:
()()()itX itx X t E e e dF x φ==?
其中,i =
特征函数()t φ的常用性质: (1)有界性:()1(0)t φφ≤= (2)共轭对称性:_
()()t t φφ-= (3)一致连续性:()()1()ihx
t h t e
dF x φφ+-≤
-?
(4)线性变换作用 (5)对概率线性运算 (6)对有限乘积运算封闭
注:分布函数由其特征函数唯一决定。
表1.1 离散型分布函数
表1.2 连续型分布函数
1.4 条件概率、条件期望和独立性
条件概率:()
()()
P AB P A B P B =
全概率公式:()()()i
i
P A P B P A B =
∑
Bayes 公式:()()
(),1,2,,()()
i i i j
j P B P A B P B A i n P B P A B ==∑
条件期望:
1()())[()](,)B
E X B xdP X x B P B xdP X x B -====??
离散型分布的条件期望(给定Y y =):
()()x
E X Y y xP X x Y y ====∑
连续型分布的条件期望(给定Y y =):
()()()(,)()()
Y E X Y y xdF x y xf x y dx f x y f x y f y ====
??
证明:[[]]E E X Y y EX == 以离散型分布为例
[[]][()]
()()(,)
(,)()
x
y
x
y
x
x
y
x
E E X Y y E xP X x Y y xP X x Y y P Y y xP X x Y y x P X x Y y xP X x EX
=================∑∑∑∑∑∑∑∑
类似地,容易证明连续型分布的结论。 独立性:
{}{}11
1
()(),,,,,j j k k
i i i k j j P A P A A i I F i i ===∈∈≠?∏
证明:随机变量1,,n X X 是独立的充分必要条件是它们的联合分布函数可以分解为
111(,,)()()n n X X n F x x F x F x =
1.5 收敛性
1.5.1 极限定理
(1)强大数定律
如果1,,n X X 独立同分布,且具有均值μ,则
12()lim 1n n X X X P n μ→∞+++??==????
(2)中心极限定理
如果1,,n X X 独立同分布,且具有均值μ和方差2
σ,则
2
2lim
x a n P a dx -→∞?
≤=??
?
1.5.2 收敛性
(1)依概率收敛
对于随机变量序列{},1n X n ≥,如果存在随机变量X ,使得对任意的0ε>有
{}lim 0n n P X X ε→∞
-≥=
则称随机变量序列{},1n X n ≥依概率收敛于X ,记为P
n X X →。
推广:p 阶矩收敛,lim(())0p
n n E X X →∞
-=。
(2)依分布收敛
设{}()n F x 是分布函数序列,如果存在一个单调不减函数()F x ,使在()F 的所有连续点x 上有
lim ()()n n F x F x →∞
=
则称{}()n F x 弱收敛于()F x ;设{},1n X n ≥为一随机变量序列,{}()n F x 是其对应的分布函数序列,如果{}()n F x 弱收敛于()F x ,则称{},1n X n ≥依分布收敛。
(3)依概率收敛与依分布收敛的关系
依概率收敛强于依分布收敛,即,依概率收敛?依分布收敛。
预备知识补充
(上界、下界;上确界、下确界;上极限、下极限;矩母函数、特征函数)
.. :inf ,..(..) : ( ),i o nite offen a s a e almost everywhere almost surely 无穷多次
几乎处处(几乎必然,以概率1成立)
A1 上(下)界
设A 为一个非空数集。
上界:如果存在M ∈ ,使得对任意的x A ∈,均有x M ≤,则称A 有上界,M 是A 的一个上界;
下界:如果存在m ∈ ,使得对任意的x A ∈,均有x m ≥,则称A 有上界,m 是A 的一个下界。
如果A 既有上界又有下界,则称为有界集。
例A1:(,0)-∞有上界,0为一个上界;(1,)+∞有下界,1为一个下界;(0,1)为有界
集。
注:有上(下)界的数集,其上(下)界不是唯一的。如,如果M 是A 的上界,则对任意的0ε>,M ε+亦是A 的上界;类似地,m ε-亦是A 的下界。
A2 确界定理
确界定理:如果非空数集A 有上界,则它有一个最小上界,称为A 的上确界,记为
sup A ;即若M ?∈ ,使得
(1),x A x M ?∈≤;
(2)0,x A εε?>?∈(即x 的以ε为半径一个邻域),有x M εε>-。
则称M 为A 的上确界,记sup A M =。
如果A 有下界,则它有一个最大下界,称为A 的下确界,记为inf A ;即若m ?∈ ,使得
(1),x A x m ?∈≥;
(2)0,x A εε?>?∈(即x 的以ε为半径一个邻域),有x m εε>+。 则称m 为A 的上确界,记sup A m =。
例A2:求集合11,2,A n n ??
==?
???
的上确界和下确界。 分析:容易看出,1是A 中的最大数。由于
1
0,1n n
>?≥,故0是A 的一个下界。我们来说明0就是A 的下确界。为此,我们只需要证明任何一个正实数均不是A 的下界即可。设ε为任意给定的一个正实数,取1[]1N ε=+,其中1
[]ε
表示不超过
1
ε
的最大整数。此时,1
1
N N
εε
>
?
<,这说明ε不是A 的下界。 总结:
如果数集A 没有上界,则记sup A =+∞;如果A 没有下界,则记inf A =-∞。 如果数集A 有最大数,则最大数就是它的上确界;如果A 有最小数,则最小数就是它的下确界。
如果A 有上确界,{}
A x x A -=-∈有下确界,则inf()sup A A -=-;如果A 有下确界,{}
A x x A -=-∈有上确界,则sup()inf A A -=-。
如果A 有上(下)界,则A 必存在唯一的上(下)确界。
A3 上极限、下极限
设{}n a 为有界数列,令
{}{}inf ,sup n n k k a a k n a a k n =≥=≥
容易验证{}n a 和{}
n a 分别是单调递增和单调递减数列,且
n n n a a a ≤≤
我们分别把数列{}n a 和{}
n a 的极限称为{}n a 的下极限和上极限,记为
lim lim ,lim lim n n n n n n n n a a a a →∞
→∞
→∞
→∞
==
例A3:计算数列(1)n n a n ??
-=???
?的上极限和下极限
解:按照下确界的定义,当n 为奇数时
1111inf ,,,12n a n n n n ??
=--=-??++??
当n 为偶数时,
1111inf ,,,121n a n n n n ??
=-=-
??+++??
即
{}11111,,,,,3355n a ??
=--
---????
从而{}n a 的下极限为0。
类似地,根据上确界的定义,当n 为奇数时
1111sup ,,,121n a n n n n ??
=--=
??+++??
当n 为偶数时,
1111
sup ,,,12n a n n n n
??=-=??++??
即
{}1111,,,,2244n
a ??
=????
从而{}n a 的上极限为0。
例A4:计算数列1[1(1)](1)n n n a n ?
?=+-+????
的上极限和下极限
注:有界数列的极限不一定存在,但有界数列必有上、下极限(意义:为研究数列的性质提供了一个新平台)。
例A5:考虑如下两个数列1,(1)1n
n n n ????
-????+????
的上(下)界、极限和上(下)极限 上(下)极限的基本性质:
(1)有界数列{}n a ,它的上(下)极限必定存在且唯一 (2)对任何的有界数列{}n a ,有lim lim n n n n a a →∞
→∞
≤
(3)有界数列{}n a 存在极限的充要条件是lim lim n n n n a a →∞
→∞
=
(4)保序性:如果存在0N ,当0n N >时有n n a b ≥,则
lim lim ,lim lim n n n n n n n n a b a b →∞
→∞
→∞
→∞
≥≥;lim()lim lim n n n n n n n a b a b →∞
→∞
→∞
+≤+
A4 矩母函数与特征函数
4.1 矩母函数和特征函数的定义
当我们运用随机变量来描述随机现象时,可以通过它的分布函数来表述它的统计规律。为了简化分析,我们也会采用随机变量的数值特征来表述分布函数的某些特征。但是,数值特征只是反映了概率分布的某些方面的特征,而且它们一般是由各阶矩决定的。随着阶数的增加,求矩时对概率密度积分的计算会更为麻烦。而且,现实中的随机现象错综复杂,往往需要用多个随机变量来表达,甚至需要用一系列的随机变量的某种形式的收敛来描述。这样就必须推测随机变量的函数的分布,去处十分复杂。因此,我们引入矩母函数(Moment-Generating Function )和特征函数(Characteristics Function ),它们都能完全决定分布并具有良好的分析性质。
()()()tX tx X X t E e e dF x ?==?
对矩母函数逐次求导并计算在0t =点的值得到X 的各阶原点矩,这也是它被称为矩母函数的原因。
(0)(),1X
n n E X n ?=≥
矩母函数的性质:
设1(,,)n X X 是一组独立的随机变量,则
(1)如果i i Y aX b =+,则()()i i
bt
Y X t e at ??=;
(2)如果i
Y X
=∑,则()()i
Y X t t ??
=
∏;
(3)如果i
i
Y a X b =
+∑,则()()i bt Y X i t e a t ??=∏。
当矩母函数存在时,它唯一地决定分布。但矩母函数不一定存在,此时我们引入特征函数对随机变量的分布进行刻画。
()()()itX itx X t E e e dF x φ==?
其中,i =
特征函数()t φ的常用性质: (1)有界性:()1(0)t φφ≤=
(2)共轭(实数部分相同而虚数部分互为相反数的两个复数)对称性:_
()()t t φφ-= (3)一致连续性:()()1()ihx
t h t e
dF x φφ+-≤-?
(4)线性变换作用 (5)对概率线性运算 (6)对有限乘积运算封闭
注:特征函数就是iX 的矩母函数;与矩母函数不一定存在不同,特征函数总是存在。
4.2 矩母函数和特征函数的应用
矩母函数(如果存在)和特征函数可以用来求出某个随机变量的矩。
随机信号分析期末总复习提纲重点知识点归
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
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
随机过程知识点汇总
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。
通信原理知识点归纳
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∞<∞ 第一章预备知识 解释与说明 ◆随机过程以概率论、线性代数、微积分为学科基础 1.1 特征函数 ◆复数z=a+ib,其中a,b为实数,z?=a?ib称为z的共轭复数 zz?=a2?b2, 复数z的模|z|=√a+b 欧拉公式e z=e a(cosb+isinb) ◆随机变量的特征函数?(t)=E(e itX) 例设有随机事件X的分布律为 X的特征函数为 ?(t)=E(e itX)=e it×0.2+e i2t×0.5+e i3t×0.3 =e it(0.2+e it×0.5+e i2t×0.3) ◆多为随机向量的均值向量和协方差矩阵,以二维情形为例 设X=(X1,X2)T,则 数学期望向量E(X)=(EX1,EX2)T 协方差矩阵Var(X)=E[(X?E(X))(X?E(X))T] =E{(X1?EX1 X2?EX2)((X1?EX1),(X2?EX2))} =E((X1?EX1)2(X1?EX1)(X2?EX2) (X2?EX2)(X1?EX1)(X2?EX2)2 ) =(σ11σ12 σ21σ22)?Σ 其中,σ11,σ22分别是X1和X2的方差,σ12=σ21是X1和X2的协方差cov(X1,X2) 例如有X=(X1,X2)T,联合分布律为 可见E(X1)=0×0.6+1×0.4=0.4 E(X2)=0×0.3+1×0.3+2×0.4=1.1 数学期望向量E(X)=(EX1,EX2)T=(0.4,1.1)T 又σ11=D(X1)=E(X12)?(E(X1))2=0.4?0.42=0.24 σ22=D(X2)=E(X22)?(E(X2))2=1.9?1.12=0.69 σ12=σ21=cov(X1,X2)=E(X1X2)?E(X1)E(X2) =0×0.8+1×0.1+2×0.1?0.4×1.1=?0.14 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 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 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; 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 ∞<∞ 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。 练习一:预备知识 随机过程练习题 1.设n X X X ,,,21 相互独立同服从参数为λ的指数分布,试用特征函数求∑=n k k X 1的分布。 2.设Y X ,相互独立,(1)若Y X ,分别服从二项分布),(p m B 和),(p n B ,试用特征函数求Y X +的分布;(2)若Y X ,分别服从参数为),(1βα和),(2βα的Γ分布,试用特征函数求Y X +的分布。 3.考虑一元件,其失效时间X 服从参数为λ的指数分布,在时刻T 观察该元件,发现它仍在工作,求剩余寿命的期望值)|)((T X T X E ≥-。 4.设二维随机变量),(Y X 的联合概率密度函数为 ?????+∞<<∞->=-其它, 0|,|,21),(x x y e y x f y (1)证明X 和Y 不相关,不独立;(2)求EY 和)(X Y E | 5.设商店在一天的顾客数N 服从参数1000=λ人的泊松分布,又设每位顾客所花的钱i X 服从)50,100(2N ,求商店的日销售额Z 的平均值。 6.设)(~λP X ,由特征函数求DX EX EX ,,2。 答案: 1.∑=n k k X 1的特征函数为n it t -??? ??-=λ?1)(,即~1 ∑=n k k X ),(λn Γ。 2.(1)Y X +的特征函数为()(1)it m n t pe p ?+=+-,即),(~p m n B Y X ++; (2)Y X +的特征函数为211)(ααβ?+??? ? ??-=it t ,即),(~21βαα+Γ+Y X 。 3.λ 1+T 4.(1)0),cov(,0,2,0====Y X EXY EY EX ,故X 和Y 不相关; ? ????≥<=-0,210,21)(x e x e x f x x X )()()1,2 1(y f x f f Y X ≠,故X 和Y 不独立。 (2)2=EY ,1|||+=X X Y E ) ( 5.1000001=?=EX EN EZ 6.)1()(-=it e e t λ?,λλλλ=+==DX EX EX ,,2 2 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 = n p q 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 22 2)(21 )(σσπa x e x f --= a EX = 2 σ=DX 指数分布 ???<≥=-0, 00,)(x x e x f x λλ λ1=EX 21λ=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 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。 随机信号重要知识点整理 1.能量信号和功率信号 通常称2 )(t x 为信号)(t x 的能量密度或瞬时功率。信号的总能量是对2 )(t x 在整个时间范围积分,即 ?∞ ∞-=dt t x E x 2 )( (1.6) 同理,离散信号的总能量定义为 ∑ ∞ -∞ == n x n x E 2 )( (1.7) 如果信号的总能量有限,即E x <∞,则称)(t x 或()x n 为能量信号;如果信号的总能量无限,即E x >∞,但是其平均功率有限,即 ∞<=?-∞ →222 )(1lim T T dt t x T P T x (1.8) 或(对于离散信号) ∞<+=∑-=∞ →N N n T x n x N P 2 )(121lim (1.9) 则称)(t x 或()x n 为功率信号。 然而,对于数字信号处理,信号处理的长度总是有限的。而在有限的区间内信号的总能量是有限,因此在处理运算时,可以对功率信号与能量信号不加以区别。仅当考虑平均功率、平均谱密度时,需要考虑系数1(21)N +。 2. 窄带信号与宽带信号 时间信号可以用不同频率的正弦波展开(或傅里叶级数展开),即信号的傅里叶积分反变换: ? ∞ ∞ -ΩΩΩ= d e X t x t j )()(1 (1.10) 其中)(ΩX 是)(t x 的傅里叶变换,又称为频谱,它等于 ?∞ ∞ -Ω-=Ωdt e t x X t j )()( (1.11) 可见,时间信号可以看作是由简单的正弦波t j e Ω相加(线性叠加)组成,)(ΩX 是)(t x 在频域或频率空间的表示。 如果信号)(t x 的频谱)(ΩX 在较窄的频率区间内存在,则称其为窄带信号。与之对应的是,如果信号)(t x 的频谱)(ΩX 在较宽的频率区间内存在,则称其为宽带信号。 3. 信号处理的理论基础 数字信号处理的理论基础:1)Nyquist —Shannon 采样定理;2)傅立叶级数;3 ) 2 0 — 1分布 P(X 1) P,P(X 0) q EX DX pq 二项分布 P(X k) C : EX np DX npq 泊松分布 P(X k) k! EX DX 均匀分布略 正态分布 N(a, 2) f(x) (X a)2 2 2 EX DX 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 k )分布函数 F(x) P 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F(x) X f(t)dt 2. n 维随机变量 X (X 1,X 2, ,X n ) 其联合分布函数 F (X ) F (X 1,X 2, , X n ) P(X 1 X [ , X 2 X 2 , , X n X n ,) 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 k P k 连续型随机变量 X EX xf (x)dx 2 2 2 方差: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 相关系数(两个随机变量 X, Y ) : XY t _ ____________________________________ VDX v'DY 独立 不相关 5 ?常见随机变量的分布列或概率密度、期望、方差 B XY EY)] E(XY) EX EY 则称X,Y 不相关。 4 ?特征函数 g(t) E(e ItX ) 离散 g(t) e ItX k p k 连续 g(t) e ltx f (x)dx 重要性质:g(0) 1 , g(t) 1 , g( t) g(t) , g (0) EX k随机过程知识点
随机过程第1章 预备知识
随机过程知识点汇总
(完整版)随机过程知识点汇总
随机过程知识点总结
随机过程知识点
随机过程简史
《随机过程》预备知识习题答案
随机过程知识点汇总
随机过程知识点汇总
概率论与随机过程考点总结
(完整)应用随机过程学习总结,推荐文档
随机信号重要知识点整理
随机过程知识点汇总