随机过程(联合平稳随机过程)
实际上联合平稳随机过程和单一的随机过程是十分相似的,联合平稳随机过程用来表征两个随机过程之间的关系。
文章目录
- 联合平稳随机过程
- 1.概率分布与矩函数
- 2.矩函数
- 3.联合平稳的矩函数
联合平稳随机过程
1.概率分布与矩函数
- 假定有两个随机过程 X(t)X(t)X(t) 和 Y(t)Y(t)Y(t) 概率密度分别为 pn(x1,x2,⋯,xn;t1,t2,⋯,tn)p_n(x_1,x_2,\dotsb,x_n;t_1,t_2,\dotsb,t_n)pn(x1,x2,⋯,xn;t1,t2,⋯,tn)pm(y1,y2,⋯,ym;t1′,t2′,⋯,tm′)p_m(y_1,y_2,\dotsb,y_m;t'_1,t'_2,\dotsb,t'_m)pm(y1,y2,⋯,ym;t1′,t2′,⋯,tm′)
- 联合概率分布函数
Fm+n(x1,x2,⋯,xn;y1,y2,⋯,ym;t1,t2,⋯,tn;t1′,t2′,⋯,tm′)=P{X(t1)≤x1,X(t2)≤x2,⋯X(tn)≤xn;Y(t1′)≤y1,Y(t2′)≤y2,⋯Y(tn′)≤yn}\begin{matrix} F_{m+n}(x_1,x_2,\dotsb ,x_n;y_1,y_2,\dotsb,y_m;t_1,t_2,\dotsb,t_n;t'_1,t'_2,\dotsb,t'_m)\\ ~~\\ = P\{ X(t_1) \le x_1,X(t_2) \le x_2, \dotsb X(t_n) \le x_n ;Y(t'_1) \le y_1,Y(t'_2) \le y_2, \dotsb Y(t'_n) \le y_n \} \end{matrix}Fm+n(x1,x2,⋯,xn;y1,y2,⋯,ym;t1,t2,⋯,tn;t1′,t2′,⋯,tm′) =P{X(t1)≤x1,X(t2)≤x2,⋯X(tn)≤xn;Y(t1′)≤y1,Y(t2′)≤y2,⋯Y(tn′)≤yn} - 联合概率密度函数
pm+n(x1,x2,⋯,xn;y1,y2,⋯,ym;t1,t2,⋯,tn;t1′,t2′,⋯,tm′)=∂nFn(x1,x2,⋯,xn;y1,y2,⋯,ym;t1,t2,⋯,tn;t1′,t2′,⋯,tm′)∂x1∂x2⋯∂xn∂y1∂y2⋯∂ym\begin{matrix} p_{m+n}(x_1,x_2,\dotsb ,x_n;y_1,y_2,\dotsb,y_m;t_1,t_2,\dotsb,t_n;t'_1,t'_2,\dotsb,t'_m)\\ ~~\\ = \dfrac{\partial^n F_n(x_1,x_2,\dotsb ,x_n;y_1,y_2,\dotsb,y_m;t_1,t_2,\dotsb,t_n;t'_1,t'_2,\dotsb,t'_m)}{\partial x_1\partial x_2 \dotsb \partial x_n\partial y_1\partial y_2 \dotsb \partial y_m} \end{matrix}pm+n(x1,x2,⋯,xn;y1,y2,⋯,ym;t1,t2,⋯,tn;t1′,t2′,⋯,tm′) =∂x1∂x2⋯∂xn∂y1∂y2⋯∂ym∂nFn(x1,x2,⋯,xn;y1,y2,⋯,ym;t1,t2,⋯,tn;t1′,t2′,⋯,tm′) - 过程的统计独立:
pm+n(x1,x2,⋯,xn;y1,y2,⋯,ym;t1,t2,⋯,tn;t1′,t2′,⋯,tm′)=pn(x1,x2,⋯,xn,t1,t2,⋯,tn)pm(y1,y2,⋯,ym,t1′,t2′,⋯,tn′)\begin{matrix} p_{m+n}(x_1,x_2,\dotsb ,x_n;y_1,y_2,\dotsb,y_m;t_1,t_2,\dotsb,t_n;t'_1,t'_2,\dotsb,t'_m) \\ ~~\\ = p_n(x_1,x_2,\dotsb ,x_n,t_1,t_2,\dotsb,t_n) p_m(y_1,y_2,\dotsb ,y_m,t'_1,t'_2,\dotsb,t'_n) \end{matrix}pm+n(x1,x2,⋯,xn;y1,y2,⋯,ym;t1,t2,⋯,tn;t1′,t2′,⋯,tm′) =pn(x1,x2,⋯,xn,t1,t2,⋯,tn)pm(y1,y2,⋯,ym,t1′,t2′,⋯,tn′)
2.矩函数
- 互相关函数:
RX(t1,t2)=E[X(t1)Y(t2)]=∫−∞∞∫−∞∞xyp2(x,y;t1,t2)dxdyR_X(t_1,t_2) = E[X(t_1)Y(t_2)]=\int _{-\infin}^{\infin}\int _{-\infin}^{\infin}xy~p_2(x,y;t_1,t_2)dxdyRX(t1,t2)=E[X(t1)Y(t2)]=∫−∞∞∫−∞∞xy p2(x,y;t1,t2)dxdy - 互协方差函数:
CXY(t1,t2)=E[X(t1)−mX(t1)][Y(t2)−mY(t2)]C_{XY}(t_1,t_2) = E[X(t_1)-m_X(t_1)][Y(t_2)-m_Y(t_2)]CXY(t1,t2)=E[X(t1)−mX(t1)][Y(t2)−mY(t2)]
3.联合平稳的矩函数
- 定义:pm+np_{m+n}pm+n 不随时间的改变而变化,称过程 X(t)X(t)X(t) 和 Y(t)Y(t)Y(t) 联合平稳。
- 互相关函数:RXY(t1,t2)=RXY(τ)R_{XY}(t_1,t_2) = R_{XY}(\tau)RXY(t1,t2)=RXY(τ)
- 互相关系数:rXY(τ)=CXY(τ)σXσYr_{XY}(\tau) = \frac{C_{XY}(\tau)}{\sigma_X\sigma_Y}rXY(τ)=σXσYCXY(τ)
- 互协方差函数:CXY(t1,t2)=CXY(τ)C_{XY}(t_1,t_2) = C_{XY}(\tau)CXY(t1,t2)=CXY(τ)
- 正交:对任意 τ\tauτ,rXY(τ)r_{XY}(\tau)rXY(τ) 均为 000,就是说过程 X(t)X(t)X(t) 和过程 Y(t)Y(t)Y(t)完全不相关(线性)。可以用 E[X(t)Y(t+τ)]=0E[X(t)Y(t+\tau)] = 0E[X(t)Y(t+τ)]=0 来表示两过程正交。
⭐️ 注意区分独立和不相关,独立的定义要比不相关更加严格。 - 互相关函数性质:
- RXY(τ)=RYX(−τ)R_{XY}(\tau) = R_{YX}(-\tau)RXY(τ)=RYX(−τ)
- ∣Rxy(τ)∣2≤RX(0)RY(0)|R_{xy}(\tau)|^2\le R_X(0)R_Y(0)∣Rxy(τ)∣2≤RX(0)RY(0)
随机过程(联合平稳随机过程)相关推荐
- 【通信原理】严平稳随机过程 广义平稳随机过程 高斯随机过程
目录 定义介绍 严平稳随机过程: 广义平稳随机过程: 高斯随机过程: 问题解答 Question1:为什么广义平稳随机过程不一定是严平稳随机过程? Question2:为什么高斯过程若是广义平稳的,则 ...
- 随机过程(三)平稳随机过程
文章目录 1. 定义 2. 联合平稳过程及相关函数的性质 2.1 联合平稳过程 2.2 相关函数的性质 3. 随机分析 3.1 收敛性概念 3.2 均方连续 3.3 均方导数 3.4 均方积分 4. ...
- 高斯平稳随机过程仿真
高斯平稳随机过程仿真 编写一个自协方差函数为 的平稳高斯过程的程序,产生若干样本函数.估计所产生的样本的时间自相关函数和功率谱密度,求统计自相关函数和功率谱密度,并将结果与理论值比较. 仿真代码如下: ...
- 广义平稳随机过程定义_广义平稳随机过程全解.ppt
广义平稳随机过程全解 * 2.3-2 广义平稳 (Wide-Sense Stationary, WSS) ? 广义平稳随机过程的定义 ? 计算举例 严格平稳 广义平稳 不一定 1. 广义平稳 的定义 ...
- 时间序列研(part5)--四种典型的非平稳随机过程
学习笔记,仅供参考,有错必纠 文章目录 时间序列 四种典型的非平稳随机过程 随机游走过程 随机趋势非平稳过程或差分平稳过程.有漂移项的非平稳过程 趋势平稳过程或退势平稳过程 确定性趋势非平稳过程 看图 ...
- matlab平稳随机过程的功率谱密度,平稳随机过程的功率谱密度
<平稳随机过程的功率谱密度>由会员分享,可在线阅读,更多相关<平稳随机过程的功率谱密度(27页珍藏版)>请在人人文库网上搜索. 1.平稳随机过程的功率谱密度,一.平稳过程的功率 ...
- 随机过程基础3--宽平稳随机过程的谱分析
本节关于随机过程的谱分析,当然是针对宽平稳随机过程 1,什么是谱? 将复杂对象分解成几个方面,使得我们可以从几个方面尽可能简单地观察这个复杂对象的某些特征. 例如光谱是按照光的波长分解. 对于随机信号 ...
- Day 4随机过程基本概念 平稳随机过程
一.随机过程基本概念 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,可以从两个不同的角度来说明:1.是把随机过程看成所有样本函数的集合.2.把随机过程看成是在时间进程中处于不同时刻 ...
- 12.第八章 平稳随机过程遍历性
第八章 平稳随机过程遍历性 1.时间平均与空间平均 对于随机变量,其加权平均实际上就是数学其期望,也就是 μ=EX=∑k=1Npkxk或μ=EX=∫Rxp(x)dx\mu=EX=\sum_{k=1}^ ...
- 平稳随机过程的严平稳随机过程与宽平稳随机过程区别联系
1.一个宽平稳过程不一定是严平稳过程,一个严平稳过程也不一定宽平稳过程. 例1:X(n)=sinwn,n=0,1,2,-,其中w服从U(0,2π),随机过程{X(n),n=0,1,2,-}是宽平稳过程 ...
最新文章
- 高频信号对LM386直流偏置的影响
- 认识AndEngine选自Android 2D游戏引擎AndEngine快速入门教程
- asp.net访问sqlserver获取数据、IsPostBack属性和VS可视化调试的概念
- 光端机与光纤收发器的应用
- 软件架构师的12项修炼--软技能篇
- java基础代码实例_java学习之web基础(3):Servlet 和 Request的登录处理实例
- Golang map的底层实现
- 第14章5节: HierarchyViewer实现原理-装备ViewServer-查询ViewServer运行状态 2
- 启动mongodb时发现错误libcrypto.so.10
- Windows打开应用,提示“此程序被组策略阻止”
- N-gram详解分析
- 一个人的隔空喊话(于2012-08-12nbsp;0…
- 几个不错的VC编程学习网站
- 管理计算机找不到应用程序,Win7计算机管理提示找不到文件或没有关联的程序问题解决方法...
- 数电逻辑门方框中各符号所含意义(全)
- 开发者痛斥手机供应商为了续航恶意查杀后台应用
- ready等方法 微信小程序_微信小程序开发一些经验
- Windows10精简优化无人值守安装
- Java生成微信群组图标
- 网络爬虫 测试代理IP
热门文章
- matplotlib报错Line2D‘ object has no property ‘linestyle‘或‘linewidth‘
- Dev C++ 源文件编译时,确实没问题,但是运行时,总是提示源文件 未编译
- 最后一课——没有拥抱,已成永远
- 正则表达式基础、原理及优化
- 计算机c语言与交通工程论文,交通仿真技术在道路交通工程中的应用研究
- DarkComet Analysis – Understanding the Trojan used in Syrian Uprising
- 万里汇WorldFirst提现人民币实现当天到账!
- android sit0 ip6tnl0,android netcfg iwlist 的使用
- 基于python和tesseract库的中英文识别(OCR)
- photoshop cs6 安装(附安装包)