当前位置：文档视界 › 第二章随机过程的基本概念

第二章随机过程的基本概念

第二章随机过程的基本概念 §1随机过程及其概率分布、随机过程概念：一、随机过程概念：初等概率论所研究的随机现象，基本上可以用随机变量或随机向量来描述.但在实际中有些随机现象要涉及(可列或非可列)无穷多个随机变量.

例1．某人扔一枚硬币，无限制的重复地扔下去，要表示无限多次扔的结果，我们不妨记正面为1，反面为0.第次扔的结果是一个，其分布，无限多次扔n n r vX ?{}{}1012n n P X P X ====，无限制的重复地扔，要表示无限多次扔的结果，我们不妨反面为其分布无限多次扔的结果是一个随机过程，可用一族相互独立，，或表示.r v ?1X ，2X {},1n X n ≥

n n X 0n n 0 1 2 3 4 5 6 7 8 910 ……

例2．当固定时，电话交换站在时间内来到的呼叫次数是，记，，其中是单位时间内平均来到的呼叫次数，而，若从变到，时刻来到的呼叫次数需用一族随机变量表它为非降的阶，在有呼唤来到的时刻阶跃地增加，假定在任一呼唤来到的时刻不可能来到多）(0)t t ≥[0,] t r v ?()X t ()()X t P t λ λ0λ>t 0∞t {}(),[0,)X t t ∈∞()X t ，电话交换站在记，若时刻示，是一个随机过程. 对电话交换站作一次观察可得到一条表示以前来到的呼唤曲线，它为非降的阶梯曲线，在有呼唤来到的时刻阶跃地增加，（假定在任一呼唤来到的时刻不可能来到多于一次呼唤）. E t 1()x t

同理，第二次观察，得到另一条阶梯形曲线；同理，第n 次观察，得到另一条阶梯形曲线. 2()x t ()n x t ，第二次观察，得到另一条阶梯形曲，第，得到另一条阶梯形曲总之，一次试验得到阶梯形曲线形状具有随机性

随机过程习题及答案

第二章随机过程分析学习指导 1.1.1 要点随机过程分析的要点主要包括随机过程的概念、分布函数、概率密度函数、数字特征、通信系统中常见的几种重要随机过程的统计特性。 1. 随机过程的概念随机过程是一类随时间作随机变化的过程，它不能用确切的时间函数描述。可从两种不同角度理解：对应不同随机试验结果的时间过程的集合，随机过程是随机变量概念的延伸。 2. 随机过程的分布函数和概率密度函数如果ξ(t )是一个随机过程，则其在时刻t 1取值ξ(t 1)是一个随机变量。ξ(t 1)小于或等于某一数值x 1的概率为P [ ξ(t 1) ≤ x 1 ]，随机过程ξ(t )的一维分布函数为 F 1(x 1, t 1) = P [ξ(t 1) ≤ x 1] (2-1) 如果F 1(x 1, t 1)的偏导数存在，则ξ(t )的一维概率密度函数为 1111111 (,) (, ) (2 - 2)?=?F x t f x t x 对于任意时刻t 1和t 2，把ξ(t 1) ≤ x 1和ξ(t 2) ≤ x 2同时成立的概率 {}212121122(, ; , )(), () (2 - 3)F x x t t P t x t x ξξ=≤≤ 称为随机过程 (t )的二维分布函数。如果 2212122121212 (,;,) (,;,) (2 - 4)F x x t t f x x t t x x ?=??? 存在，则称f 2(x 1, x 2; t 1, t 2)为随机过程 (t )的二维概率密度函数。对于任意时刻t 1，t 2，…，t n ，把 {}n 12n 12n 1122n n ()(),(),,() (2 - 5) =≤≤≤L L L F x x x t t t P t x t x t x ξξξ，，，；，，，称为随机过程 (t )的n 维分布函数。如果 n n 12n 12n n 12n 12n 12n (x )() (2 - 6)?=???L L L L L F x x t t t f x x x t t t x x x ，，，；，，，，，，；，，，存在，则称f n (x 1, x 2, …, x n ; t 1, t 2, …, t n )为随机过程 (t )的n 维概率密度函数。 3. 随机过程的数字特征随机过程的数字特征主要包括均值、方差、自相关函数、协方差函数和互相关函数。随机过程 (t )在任意给定时刻t 的取值 (t )是一个随机变量，其均值为 []1()(, )d (2 - 7)E t xf x t x ξ∞ -∞ =?

实验一平稳随机过程的数字特征

实验一平稳随机过程的数字特征一、实验目的 1、加深理解平稳随机过程数字特征的概念 2、掌握平稳随机序列期望、自相关序列的求解 3、分析平稳随机过程数字特征的特点二、实验设备计算机、Matlab 软件三、实验内容和步骤设随机电报信号X(n)(-∞m 时， m k k e k m I m n X n X P λλ-∞ =∑==+022 )!2()(})()({

m k k e k m I m n X n X P λλ-∞ =+∑+==+0122 )!12()(})()({ m e I m n X n X E m R λ22)]()([)(-=+= 五、实验要求 1、写出求期望和自相关序列的步骤； 2、分析自相关序列的特点； 3、打印相关序列和相关系数的图形； 4、附上程序和必要的注解。六、实验过程 input('王斌欢迎您') I=input('输入I 的值'); a=0.5; %a 的值为P{X(n)=+I} b=0.5; %b 的值为P{X(n)=-I} EX=I*a+(-I)*b %EX 为期望的输出值 xuehao=21; %学号为21 k=1/xuehao; Ex=I*0.5+(-I)*0.5; m=-64:1:64; Rx=I*I*exp(-2*k*abs(m)); Cx=Rx-Ex*Ex; Cx0=I*I*exp(-2*k*abs(0))-Ex*Ex; rx=Cx/Cx0; figure(1); subplot(211);stem(EX);title('期望') %输出图像 subplot(212);stem(m,Rx);title('自相关序列'); figure(2); stem(m,rx);title('相关系数'); 七、实验结果及分析

第2章随机过程习题及答案

第二章随机过程分析 1.1 学习指导 1.1.1 要点随机过程分析的要点主要包括随机过程的概念、分布函数、概率密度函数、数字特征、通信系统中常见的几种重要随机过程的统计特性。 1. 随机过程的概念随机过程是一类随时间作随机变化的过程，它不能用确切的时间函数描述。可从两种不同角度理解：对应不同随机试验结果的时间过程的集合，随机过程是随机变量概念的延伸。 2. 随机过程的分布函数和概率密度函数如果ξ(t )是一个随机过程，则其在时刻t 1取值ξ(t 1)是一个随机变量。ξ(t 1)小于或等于某一数值x 1的概率为P [ ξ(t 1) ≤ x 1 ]，随机过程ξ(t )的一维分布函数为 F 1(x 1, t 1) = P [ξ(t 1) ≤ x 1] (2-1) 如果F 1(x 1, t 1)的偏导数存在，则ξ(t )的一维概率密度函数为 1111111 (,) (, ) (2 - 2)?=?F x t f x t x 对于任意时刻t 1和t 2，把ξ(t 1) ≤ x 1和ξ(t 2) ≤ x 2同时成立的概率 {}212121122(, ; , )(), () (2 - 3)F x x t t P t x t x ξξ=≤≤ 称为随机过程ξ (t )的二维分布函数。如果 2212122121212 (,;,) (,;,) (2 - 4)F x x t t f x x t t x x ?=??? 存在，则称f 2(x 1, x 2; t 1, t 2)为随机过程ξ (t )的二维概率密度函数。对于任意时刻t 1，t 2，…，t n ，把 {}n 12n 12n 1122n n ()(),(), ,() (2 - 5) =≤≤≤F x x x t t t P t x t x t x ξξξ，，，；，，，称为随机过程ξ (t )的n 维分布函数。如果 n n 12n 12n n 12n 12n 12n (x ) () (2 - 6)?=???F x x t t t f x x x t t t x x x ，，，；，，，，，，；，，，存在，则称f n (x 1, x 2, …, x n ; t 1, t 2, …, t n )为随机过程ξ (t )的n 维概率密度函数。 3. 随机过程的数字特征随机过程的数字特征主要包括均值、方差、自相关函数、协方差函数和互相关函数。随机过程ξ (t )在任意给定时刻t 的取值ξ (t )是一个随机变量，其均值为 []1()(, )d (2 - 7)E t xf x t x ξ∞ -∞ =?

第1章随机过程的基本概念

第一章随机过程的基本概念 1．设随机过程 +∞<<-∞=t t X t X ,cos )(0ω，其中0ω是正常数，而X 是标准正态变量。试求X （t ）的一维概率分布解：∵ 当0cos 0=t ω 即 πω)21(0+ =k t 即 πω)2 1 (10+=k t 时 {}10)(==t x p 若 0c o s 0≠t ω 即 πω)2 1 (1 0+≠ k t 时当 0c o s 0>t ω时 ξπ ωωξd e t x X P t x F t x ? - = ??? ? ??≤=02cos 0 2 021cos ),( 此时 ()t e x t x F t x f t x 0c o s 2c o s 1 21,),(022ωπ ω? =??=- 若 0c o s 0

?? ?= ,2 ,cos )(出现反面出现正面t t t X π 假定“出现正面”和“出现反面”的概率各为21。试确定)(t X 的一维分布函数)2 1 ,(x F 和)1,(x F ，以及二维分布函数)1,2 1;,(21x x F 解：（1）先求)21,(x F 显然?? ?=?????=??? ??出现反面出现正面出现反面出现正面10,2 1*2,2cos 21π X 随机变量?? ? ??21X 的可能取值只有0，1两种可能，于是 21 021= ??????=?? ? ??X P 2 1121=??????=??? ??X P 所以再求F （x ,1）显然?? ?-=?? ?=出现反面出现正面出现反面出现正面 2 1 2 cos (1)πX {}{}2 1 2)1(-1(1)====X p X p 所以 ???? ???≥<≤<=2 121- 2 1-1 0,1)(x x x x F (2) 计算)1,2 1 ;,(21x x F ?? ?-=?? ?=出现反面出现正面出现反面出现正面 2 1)1(, 1 0)2 1( X X ?????≥<≤<=??? ?? 11 102 1 00 21,x x x x F

平稳随机过程及其数字特征

平稳随机过程粗略的说——随机过程的统计特征不随时间的推移而变化。一.严平稳随机过程 1. 定义设有随机过程{ X(t) , t ∈T}，若对于任意n 和任意t1

因此：严平稳过程的二维数字特征仅是（时间差τ）的函数综上所述：要按上述严平稳过程的定义来判断一个过程是否平稳?是很困难的。 a)：一般在实用中，只要产生随机过程的主要物理条件，在时间进程中不变化。则此过程就可以认为是平稳的。例如：在电子管中由器件的颗粒效应引起的“散弹噪声”，由于产生此噪声的主要物理条件与时间无关，所以此噪声可以认为是平稳过程。 12121212 12 1 21212 2 2 2 (,)(,;)() (,)()()(,;)()()(0)(0)[()] X X X X X X X X X X X X X X R t t x x f x x dx dx R C t t x m x m f x x dx dx C R m C R m D X t τττττσ=?==??==?=?==∫∫∫∫

∞<)]([2 t X E b)：另一方面，对有些非平稳过程，可以根据需要，如果它在所观测的时间段内是平稳的，就可以视作这一时间段上的平稳过程来处理。即在观测的有限时间段内，认为是平稳过程。因此，工程中平稳过程的定义如下：二、宽平稳过程1、定义若二阶矩过程( )X(t) 满足: E[X(t)]=m x ←常数 R x (t 1,t 2)=R x (τ) ←只与时间间隔(τ=t 2-t 1)有关则称过程X(t)为“宽平稳随机过程”（广义平稳过程）。可见：一个均方值有限的严平稳过程，一定是宽平稳过程。反之：一个宽平稳过程，则不一定是严平稳过程。 c)：一般在工程中，通常只在相关理论的范围内讨论过程的平稳问题。即：讨论与过程的一、二阶矩有关的问题。

几种常用的随机过程

第十讲几种常用的随机过程 10.1 马尔可夫过程 10.1.1马尔可夫序列马尔可夫序列是指时间参数离散，状态连续的马尔可夫过程。一个随机变量序列x n （n=1,2,…）,若对于任意的n 有 )|(),...,,|(112 1 x x F x x x x F n n X n n n X ---= （10.1）或 )|(),...,,|(112 1 x x f x x x x f n n X n n n X ---= （10.2）则称x n 为马尔可夫序列。x n 的联合概率密度为 ) ()|( ) |()|(),...,,(1 1 2 2 11 2 1 x f x x f x x f x x f x x x f X X n n X n n X n X ??---= （10.3）马尔可夫序列有如下性质：（1）一个马尔可夫序列的子序列仍为马尔

可夫序列。（2） ) |(),...,,|(1 21x x f x x x x f n n X k n n n n X -+++= （10.4）（3） )|(),...,|(111x X x x X n n n n E E --= （10.5）（4）在一个马尔可夫序列中，若已知现在，则未来与过去相互独立。即 ) |() |()|,(1 x x f x x f x x x f r s X n n X r s n X -= ，n>r>s （10.6）（5）若条件概率密度)|(1 x x f n n X -与n 无关，则称马尔可夫序列是齐次的。（6）若一个马尔可夫序列是齐次的，且所有的随机变量X n 具有同样的概率密度，则称该马尔可夫序列为平稳的。（7）马尔可夫序列的转移概率满足切普曼 —柯尔莫哥洛夫方程，即 ) |()| ()|(x x f x x f x x f s r X r n X s n X ? ∞ ∞ -= ， n>r>s (10.7) 10.1.2马尔可夫链马尔可夫链是指时间参数，状态方程皆

随机过程的模拟与数字特征

实验二随机过程的模拟与数字特征一、实验目的 1. 学习利用MATLAB模拟产生随机过程的方法。 2. 熟悉和掌握特征估计的基本方法及其MATLAB 实现。二、实验原理 1.正态分布白噪声序列的产生 MATLAB提供了许多产生各种分布白噪声序列的函数，其中产生正态分布白噪声序列的函数为randn。函数：randn 用法：x = randn(m,n) 功能：产生m×n 的标准正态分布随机数矩阵。如果要产生服从N (,) 分布的随机序列，则可以由标准正态随机序列产生。如果X ~ N(0,1)，则N (,)。 2.相关函数估计 MATLAB提供了函数xcorr用于自相关函数的估计。函数：xcorr 用法：c= xcorr (x,y) c= xcorr (x)

c= xcorr (x,y ,'opition') c= xcorr (x, ,'opition') 功能：xcorr(x,y) 计算X (n ) 与Y (n)的互相关，xcorr(x)计算X (n )的自相关。 option 选项可以设定为： 'biased' 有偏估计。 'unbiased' 无偏估计。 'coeff' m = 0 时的相关函数值归一化为1。 'none' 不做归一化处理。 3.功率谱估计对于平稳随机序列X(n)，如果它的相关函数满足 (2.1) 那么它的功率谱定义为自相关函数R X(m)的傅里叶变换： (2.2) 功率谱表示随机信号频域的统计特性，有着重要的物理意义。我们实际所能得到的随机信号的长度总是有限的，用有限长度的信号所得的功率谱只是真实功率谱的估计，称为谱估计或谱分析。功率谱估计的方法有很多种，这里我们介绍基于傅里叶分析的两种通用谱估计方法。（1）自相关法先求自相关函数的估计X(m)，然后对自相关函数做傅里叶变换 (2.3) 其中N 表示用于估计样本序列的样本个数。（2）周期图法

随机过程习题第2章

2.1 设)(t ξ是一马尔可夫过程，又设k n n n t t t t t ++<<<<<<ΛΛ121。试证明： )/(),,/(1/1,,/11++++++=n n t t k n n n t t t x x f x x x f n n k n n n ΛΛ 即一个马尔可夫过程的反向也具有马尔可夫性。证明：首先，由条件概率的定义式得 ) ,,(),,,(),,/(1,,1,,,1,,/111k n n t t k n n n t t t k n n n t t t x x f x x x f x x x f k n n k n n n k n n n ++++++++++++= ΛΛΛΛΛΛ 根据马尔可夫性将上式中的分子和分母展开，并化简得 ) () ()/()()/()/() ()/()/()/(),,/(11/112/1/1/12/1/1,,/11112111211+++++-+++++-+++++++++-+++++-++++== n t n t n n t t n t n n t t k n k n t t n t n n t t n n t t k n k n t t k n n n t t t x f x f x x f x f x x f x x f x f x x f x x f x x f x x x f n n n n n n n k n k n n n n n n k n k n k n n n ΛΛΛΛ 于是， )/() (),(),,/(1/11,1,,/1111++++++++++== n n t t n t n n t t k n n n t t t x x f x f x x f x x x f n n n n n k n n n ΛΛ 2.2 试证明对于任何一个马尔可夫过程，如“现在”的)(t ξ值为已知，则该过程的“过去”和“将来”是相互统计独立的，即如果有321t t t <<，其中2t 代表“现在”，1t 代表“过去”，3t 代表“将来”，若22)(x t =ξ为已知值。试证明： )/()/()/,(23/21/231/,2321231x x f x x f x x x f t t t t t t t = 证明：首先，由条件概率的定义式得 ) () ,,()/,(2321,,231/,2321231x f x x x f x x x f t t t t t t t = 然后，根据马尔可夫性将上式中的分子展开，并化简得 ) (),() /()() ()/()/()/,(221,23/2112/23/231/,22123211223231x f x x f x x f x f x f x x f x x f x x x f t t t t t t t t t t t t t t ==

随机信号分析报告实验：随机过程的模拟与数字特征

实验二随机过程的模拟与数字特征实验目的 1. 学习利用MATLAB 模拟产生随机过程的方法。 2. 熟悉和掌握特征估计的基本方法及其MATLAB 实现。实验原理 1.正态分布白噪声序列的产生 MATLAB 提供了许多产生各种分布白噪声序列的函数，其中产生正态分布白噪声序列的函数为randn 。函数：randn 用法：x = randn(m,n) 功能：产生m ×n 的标准正态分布随机数矩阵。如果要产生服从),(2 σμN 分布的随机序列，则可以由标准正态随机序列产生。如果 )1,0(~N X ，则),(~σμσμN X +。 2.相关函数估计 MATLAB 提供了函数xcorr 用于自相关函数的估计。函数：xcorr 用法：c = xcorr(x,y) c = xcorr(x) c = xcorr(x,y,'opition') c = xcorr(x,'opition') 功能：xcorr(x,y)计算)(n X 与)(n Y 的互相关，xcorr(x)计算)(n X 的自相关。 option 选项可以设定为： 'biased' 有偏估计。 'unbiased' 无偏估计。 'coeff' m = 0时的相关函数值归一化为1。 'none' 不做归一化处理。 3.功率谱估计对于平稳随机序列)(n X ，如果它的相关函数满足

∞<∑+∞ -∞ =m X m R )( （2.1）那么它的功率谱定义为自相关函数)(m R X 的傅里叶变换： ∑+∞ -∞ =-= m jm X X e m R S ωω)()( （2.2）功率谱表示随机信号频域的统计特性，有着重要的物理意义。我们实际所能得到的随机信号的长度总是有限的，用有限长度的信号所得的功率谱只是真实功率谱的估计，称为谱估计或谱分析。功率谱估计的方法有很多种，这里我们介绍基于傅里叶分析的两种通用谱估计方法。（1）自相关法先求自相关函数的估计)(?m R X ，然后对自相关函数做傅里叶变换 ∑---=-=1 ) 1()(?)(?N N m jm X X e m R S ωω （2.3）其中N 表示用于估计样本序列的样本个数。（2）周期图法先对样本序列)(n x 做傅里叶变换 ∑-=-=1 )()(N n n j e n x X ωω （2.4）其中10-≤≤N n ，则功率谱估计为 2)(1)(?ωωX N S = （2.5） MATLAB 函数periodogram 实现了周期图法的功率谱估计。函数：periodogram 用法：[Pxx,w] = periodogram(x) [Pxx,w] = periodogram(x,window) [Pxx,w] = periodogram(x,window,nfft) [Pxx,f] = periodogram(x,window,nfft,fs) periodogram(...) 功能：实现周期图法的功率谱估计。其中： Pxx 为输出的功率谱估计值； f 为频率向量； w 为归一化的频率向量；

第二章随机过程汇总

第 2 章随机过程 2.1 引言 ?确定性信号是时间的确定函数，随机信号是时间的不确定函数。 ?通信中干扰是随机信号，通信中的有用信号也是随机信号。 ?描述随机信号的数学工具是随机过程，基本的思想是把概率论中的随机变量的概念推广到时间函数。 2.2 随机过程的统计特性一.随机过程的数学定义： ?设随机试验E 的可能结果为)(t g ，试验的样本空间S 为{x 1(t), x 2(t)， …, x n (t),…}， x i (t) 是第i 次试验的样本函数或实现，每次试验得到一个样本函数，所有可能出现的结果的总体就构成一随机过程，记作)(t g 。随机过程举例：

二.随机过程基本特征其一，它是一个时间函数；其二，在固定的某一观察时刻1t ，)(1t g 是随机变量。随机过程具有随机变量和时间函数的特点。 ● 随机过程)(t g 在任一时刻都是随机变量； ● 随机过程)(t g 是大量样本函数的集合。三.随机过程的统计描述设)(t g 表示随机过程，在任意给定的时刻T t ∈1， )(1t g 是一个一维随机变量。 1.一维分布函数：随机变量)(t g 小于或等于某一数值x 的概率，即 })({);(1x t g P t x P ≤= 2.2.1 2.一维概率密度函数:一维概率分布函数对x 的导数. x t x P t x p ??= ) ;(),(11 2.2.2 3.对于任意两个时间1t 和2t ,随机过程的对应的抽样值)(1t g )(2t g 为两个随机变量.他们的联合分布定义为)(t g 的二维分布 })(;)({),;,(221121212x t g x t g P t t x x P ≤≤= 2.2.3 4.二维分布密度定义为 2 12121221212) ,;,(),;,(x x t t x x P t t x x p ???= 2.2.4 四.随机过程的一维数字特征设随机过程)(t g 的一维概率密度函数为),(1t x p . 1.数学期望(Expectation) dx t x xp t g E t g );()]([)(1?∞ ∞ -==μ 2.2.5 2.方差(Variance)

随机过程知识点汇总

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

随机过程的数字特征

第三节随机过程的数字特征定义6.3.1 设随机过程}),({T t t ∈ξ的一维分布函数为，我们称 );(x t F ());()]([x t dF x t E t ∫+∞ ∞ ?==ξμξ ()()∫+∞ ∞ ??==);(][)]([22 x t dF t x t D t ξξμξσ 分别为随机过程}),({T t t ∈ξ的均值函数和方差函数。对离散型的随机过程，其均值函数和方差函数分别为： ()()∑===n i i i t p x t E t 1 )]([ξμξ ()()()()t p t x t t E t D t i n i i 21 2 2 ][])([)]([ξξξμμξξσ∑=?=?==其中：()n i x t P t p i i ,,1},)({"===ξ 对连续型的随机过程，其均值函数和相关函数分别为： ()dx x t xf t E t ∫+∞ ∞ ?= =);()]([ξμξ ()()()∫+∞∞ ??=?==dx x t f t x t t E t D t );(][])([)]([22 2 ξξξμμξξσ 均值函数和方差函数刻画了随机过程在不同时刻的统计特性，均值函数表示{)(t ξ}在各个不同时刻取值的摆动中心。方差函数表示{)(t ξ}在各个不同时刻取值的关于()t ξμ的平均偏离程度。但不能描述在不同时刻之间的相互关系，因此我们必须引入自相关函数和自协方差函数概念。定义6.3.2 设随机过程}T t ),t ({∈ξ的二维分布函数为，我们称其自相关函数和自协方差函数分别为： ),;,(2121x x t t F

第二章随机过程基本概念.

2随机过程的基本概念 §2.1 基本概念随机过程是指一族随机变量 . 对随机过程的统计分析称为随机过程论 , 它是随机数学中的一个重要分支,产生于本世纪的初期 . 其研究对象是随机现象 ,而它特别研究的是随“ 时间” 变化的“ 动态” 的随机现象 . 一随机过程的定义 1 定义设 E 为随机试验, S 为其样本空间,如果 (1对于每个参数 t ∈ T , X(e,t为建立在 S 上的随机变量, (2对每一个 e ∈ S , X(e,t为 t 的函数,那么称随机变量族 {X(e,t, t∈ T, e∈ S}为一个随机过程,简记为 {X(e,t, t∈ T}或 X(t。 ((((({} {} [](为随机序列。时,通常称 , 取可列集合当可以为无穷。通常有三种形式: 参数一般表示时间或空间, 或有时也简写为一个轨道。随机过程的一个实现或过程的样本函数,或称随机的一般函数,通常称为为对于 :上的二元单值函数。为即若用映射来表示注意:

t X T T T b a b a T T T T t X t X t e X T t e X S e S T t e X R S T t e X t 21321, , , , 3, 2, 1, 0, 1, 2, 3, , 3, 2, 1, 0T , . 4, . 3, , 2, :, . 1=---==??×?′?′L L L 为一个随机过程。则令掷一均匀硬币, 例 , ( (cos (}, {1 t e X t X R t T e t H e t t X T H S =??íì====p2 随机过程举例例 2:用 X(t表示电话交换台在 (0, t 时间内接到的呼唤的次数 , 则 (1对于固定的时刻 t, X(t为随机变量 , 其样本空间为{0, 1, 2, …..}, 且对于不同的 t, 是不同的随机变量 . (2对于固定的样本点 n, X(t=n是一个 t 的函数 . (即:在多长时间内来 n 个人 ? 所以 {X(t,t>0}为一个随机过程 . 相位正弦波。为随机过程,称为随机则令例 (

《随机过程》第二章题目与答案

第二章一、填空题 1、随机过程若按状态空间与参数集分类可分为＿＿、＿＿、＿＿、＿＿四类. 2、＿＿是随机过程{X(t)，t∈T}在时刻t的平均值，＿＿是随机过程在时刻t对均值m x(t)的偏离程度，而＿＿和＿＿则反映随机过程{X(t)，t∈T}在时刻s和t 时的线性相关度. 3、若随机变量x服从（01）分布，即p k=p{x=k}=,k=0,1则其特征函数g(t)=＿＿. 4、若随机变量X服从参数为的指数分布，则其特征函数g(t)=＿＿. 5、若随机变量X服从退化分布，即p(X=c)=1，其中c为常数，则其特征函数g(t)=＿＿. 二、计算题 1、已知Γ分布，X～Γ(α，β)，若其中α，β>0，试求Γ分布的特征函数. 2、设随机变量X服从泊松分布,即p k=p(X=k)=,k=0,1,…,n,求其特征函数. 3、设随机过程X(t)=Y+Zt，t>0,其中Y，Z是相互独立的N（0，1）随机变量，求{ X(t)，t>0}的一，二维概率密度族.

4、设随机过程：0),sin()cos( )(>+=t t Z t Y t X θθ，其中Y 、Z 是相互独立的随机变量，且EY=EZ=0，DY=DZ=δ2，求{X(t)，t>0}的均值函数、协方差函数和方差函数. 5、设随机变量Y 具有概率密度f(y)，令 )0,0(,)(>>=-Y t t X e Yt ，求随机过程X(t)的一维概率密度及EX(t)，R x (t 1,t 2). 6、设随机过程Z t =，t 0，其中X 1,X 2,…,X n 是相互独立的，且服从 N(0, )的随机变量，ω1, ω2,…, ωn 是常数，求{Z t ，t }的均值函数m(t)和相关函数R(s,t).

随机过程的数字特征

随机过程的数字特征 ?均值函数与方差函数 ?自相关函数与自协方差函数?计算举例

1. 均值函数与方差函数 (1) 均值函数(Mean Function) (){()}(,)X X m t E X t xp x t dx +∞ -∞==?(2) 方差函数(Variance Function) 222 (){[()()]}[()](,)X X X X t E X t m t x m t p x t dx +∞-∞σ=-=-?2 22()[()]()X X t E X t m t σ=-

均值与方差的物理意义 X (t )-----单位电阻上的电压 X 2(t )/1-----消耗在单位电阻上的瞬时功率 [X (t )-m X (t )]2/1-----消耗在单位电阻上的瞬时交流功率 E{[X (t )-m X (t )]2/1}-----消耗在单位电阻上的瞬时交流功率的统计平均值 222{()}()()X X E X t t m t =σ+表示消耗在单位电阻上的总的平均功率。平均交流功率。平均直流功率。

2. 自相关函数与自协方差函数自相关函数反映了随机过程在两个不同的时刻取值的相关性。 121212121212 (,){()()} (,,,)X X R t t E X t X t x x p x x t t dx dx +∞ +∞-∞-∞==??自相关函数(Autocorrelation Function)的定义：

自相关函数可正可负，其绝对值越大，表示相关性越强。一般说来，时间相隔越远，相关性越弱，自相关函数的绝对值也越弱，当两个时刻重合时，其相关性应是最强的，所以R (t,t)最大。 X X t() X t () t t 相关性强,变化越缓慢

随机过程作业题及参考答案(第二章)

第二章平稳过程 P103 2. 设随机过程()sin X t Ut =，其中U 是在[]02π，上均匀分布的随机变量。试证（1）若t T ∈，而{}12T =，，，则(){}12X t t =，，，是平稳过程；（2）若t T ∈，而[)0T =+∞，，则(){} 0X t t ≥，不是平稳过程。证明：由题意，U 的分布密度为：()1 0220u f u π π?<

第二章随机数据的数字特征

2.1.随机过程的描述 1.随机过程的概念随机过程：考察各测量样本固定时刻0t t 在0t时刻的值

)(01t x ，)(02t x ，……，)(0t x n 构成随机变量，具有自身的概率特性，记为)(0t X 。在数学上把所有已经得到的和未得到的而可能发生的样本总体)}({0t x i (t=1,2,3,……)称为随机过程，记为)(t X 。随机过程具有双向无穷特征，即在时间轴上无穷，又在样本数上无穷。 2. 随机过程的统计规律 (1). 一维概率分布特征设一随机变量)(t X 在某一时刻i t 的随机变量)(i t X 的取值小于等于给定值x ()(t X x ),这一事件发生的概率定义为：

])([Pr );(1x t X ob t x F i i ≤=,)(t X x ∈ )(t X 的一维概率密度函数);(1i t x f 定义为);(1i t x F 对x 的一阶偏导数，即： x t x F t x f i i ??=);();(11 (2). 多维概率分布特征二维概率分布特征随机过程)(t X 在i t 时刻的随机变量 i i x t X ≤)(；而且在j t 时刻的随机变量j j x t X ≤)(，这两件事同时发生的概率定义为二维概率分布特征：

])(,)([Pr ),;,(2j j i i j i j i x t X x t X ob t t x x F ≤≤= 二维概率密度函数为对j i x x ,的二阶偏导数，即： j i j i j i j i j i x x t t x x F t t x x f ???=) ,;,(),;,(222 三维、四维，……直至n 维可以以此类推实际应用中，要确定随机过程的各维概率分布函数及密度函数非常困难。 3. 随机过程的统计特征量 (1). 均值)(t m x

第二章随机过程的基本概念