随机过程第二章解析.ppt

第二章 随机过程的数字特征 从上面的分析可知，对于一个随机过程X(t)，要研究它的变化规律，常常需要建立起它的“函数关系”，也就是建立随机过程的多维分布。因为随机过程X(t)的多维分布可以比较全面地描述随机过程的整个变化规律的统计特性，但要建立过程的分布函数一般比较复杂，使用也不便，甚至不可能。 怎么办呢？事实上，在许多实际应用中，当随机过程的“函数关系”不好确定时，我们往往可以退而求其次，像引入随机变量的数字特征一样，引入随机过程的数字特征。 用这些数字特征我们认为基本上能刻划随机过程变化的重要统计规律，而且用随机过程的X(t)的数字特征，又便于运算和实际测量。 显然，对于随机变量X，它的数字特征我们主要通过数学期望、方差、相关函数来描述随机过程X(t)的主要统计特性。 例2.1 设随机变量X具有概率密度 求 解：∵ ∴ ∴ 注意：随机变量的数字特征计算结果是一个确定的数。而随机过程的数字特征不是数，是一个关于时间的确定函数。 §2.1 随机过程X(t)的数学期望 对于某个给定时刻t，随机过程成为一个随机变量，因此可按通常随机变量的数学期望方法来定义随机过程的数学期望。 定义X(t)的数学期望 式中， 是X(t)的一维概率密度函数。 又可称为X(t)的均值，这个均值函数可以理解为在某一给定时刻t随机过程的所有样本函数的平均值。如图2.1所示。 图2.1 随机过程的数学期望mX(t) 显然由图2.1可看出，随机过程 X(t) 就在 附近起伏变化，图中细线表示样本函数，粗线表示均值函数。如果我们计论的随机过程是接收机输出端的一条噪声电压，这个 就是噪声电压在某一瞬时t的统计平均值（又称集平均值）。 §2.2 随机过程的均匀方值与方差 对于某一固定的时刻，随机过程X(t)就成为一个随机变量，由此可给出随机过程均方值定义。定义随机过程X(t)的均方值： 式中， 的一维概率密度函数。 定义随机过程的方差（又可称二阶中心矩）： 显然 是关于t的函数，且为非负函数。 定义随机过程的标准离差： 注：随机过程的标准差是表示了随机过程在t时刻偏离均值E[X(t)] 的程度大小，如图2.2所示。 图2.2 §2.3 随机过程的自相关函数 随机过程的数学期望、方差描述了随机过程在各个孤立时刻的重要数字特征值，但它们不能反映随机过程的内在联系，这一点可以通过下图的两个随机过程X(t)、Y(t)来说明。 对于这两个随机过程，从直观上讲，它们都具有大致相同的数学期望和方差，但两个过程的内部结构却有着非常明显的差别，其中X(t)随机时间变化缓慢，这个过程在两个不同的时刻的状态之间有着较强的相关性，而过程Y(t)的变化要急剧得多，其不同时刻的状态之间的相关性，显然很弱。怎样去研究和反映一个随机过程在不同时刻的内在联系呢？为此我们引入自相关函数（简称相关函数）来描述随机过程在两个不同时刻状态之间的内在联系。 定义随机过程的自相关函数： 这就是随机过程X(t)在两个不同时刻 的状态 之间的混合原点矩，自相关函数就反映了X(t)在两个不同时刻的状态之间的相关程度。若在定义式中取 ，则有 此时自相关函数即为均方值。 式中， 为过程X(t)的二维概率密度函数。 例2.2 求随机相位正弦波过程 的均值、方差和自相关函数，其中 的概率密度为 解： 当取定 是一个随机变量，且该随机变量X(t)显然是随机变量 的函数。由求随机变量函数的数学期望定理， 有 又∵ 当令 ， 例2.3 给定随机过程 ，式中 是常数，A和B是两个独立的正态随机变量，而且 ，试求X(t)的均值和自相关函数。 解 ∵ ，且A，B独立 ∴ 当取定t时，X(t)为随机变量 有时为了描述随机过程在任意两个不同时刻t1、t2间内在联系，我们还可以用协方差函数中心化自相关函数来定义。 定义协方差函数：称 为随机过程X(t)的协方差函数。 由定义可知，当取 ∴ 此时