随机过程的基本概念¶
随机过程的定义¶
- 概率空间\((\Omega,\mathcal{A},P)\)上的随机过程是一族随机变量\(X(\omega,t):\Omega\to\mathcal{E},t\in T\),其中\(T\)称为时间参数空间,\(\mathcal{E}\) 称为状态空间
随机过程的概率分布¶
- 1-维分布:\(F_t(x)=P(X(t)\leq x)\)
- 2-维分布:\(F_{t_1,t_2}(x_1,x_2)=P(X(t_1)\leq x_1,X(t_2)\leq x_2)\)
-
k-维分布:\(F_{t_1,t_2,\cdots,t_k}(x_1,x_2,\cdots,x_k)=P(X(t_1)\leq x_1,X(t_2)\leq x_2,\cdots,X(t_k)\leq x_k)\)
-
随机过程 \(X\) 的概率分布通过它的所有有限维分布函数族来描述
-
两个随机过程 \(X,Y\) 同分布当且仅当他们的任意 k-维分布函数(\(k\geq 1\)) 都相同
-
计算有限维分布:
- 直接计算
- 计算 \((X(t_1),X(t_2)-X(t_1),\cdots,X(t_k)-X(t_{k-1}))\) 的联合分布,再通过线性变换得到 \(X(t_1),X(t_2),\cdots,X(t_k)\) 的联合分布
- 若\(\forall t_1<t_2<\cdots<t_k\),\(\forall x_1,x_2,\cdots,x_k\in R\),在给定\(X(t_1)=x_1,X(t_2)=x_2,\cdots,X(t_{k-1})=x_{k-1}\)的条件下,可以计算出\(X(t_k)\)的条件分布,则可以通过递推的方式计算出\(X(t_1),X(t_2),\cdots,X(t_k)\)的联合分布
数字特征¶
均值函数¶
- 若\(\forall t \in T,E|X(t)|<\infty\),则称\(\mu_X(t)=EX(t),t\in T\)为随机过程\(X(t)\)的均值函数
自协方差函数¶
-
若\(\forall t\in T,E|X(t)|<\infty\),则称\(\sigma_X^2(t)=Var(X(t)),t\in T\)为随机过程\(X(t)\)的方差函数
-
\(r_X(s,t)=E(X(t)X(s)),s,t\in T\)为 \(X\) 的自相关函数
-
\(Cov(X(t),X(s))=E(X(t)X(s))-EX(t)EX(s)=r_X(s,t)-\mu_X(s)\mu_X(t)\)为自协方差函数
互相关函数¶
- \(r_{X,Y}(s,t)=E(Y(t)X(s)),s,t\in T\)为随机过程\(X(t)\)和\(Y(t)\)的互相关函数
特殊过程¶
宽平稳过程(弱平稳过程)¶
-
若\(\forall t\in T,E(X(t))^2<\infty\)
-
\(\mu_X(t)=\mu,\forall t\in T\)
-
\(r_X(s,t)=\tau_X(s-t)\;,\forall s,t\in T\),其中\(\tau_X:R\to R\)
则称随机过程\(X(t)\)为宽平稳过程
严平稳过程¶
-
若\(\forall k\geq 1,t_1,t_2,\cdots,t_k\in T,t\in T\),\(\((X(t_1+t),X(t_2+t),\cdots,X(t_k+t))\overset{d}{=}(X(t_1),X(t_2),\cdots,X(t_k))\)\)
则称随机过程\(X(t)\)为严平稳过程
独立增量过程¶
- 若\(\forall t_1<t_2<\cdots<t_n\),随机变量\(X(t_1),X(t_2)-X(t_1),\cdots,X(t_n)-X(t_{n-1})\)相互独立,则称随机过程\(X(t)\)为独立增量过程