文章目录

第七讲平稳过程
- 一、平稳过程及其相关概念
- - Part 1：平稳过程的定义
  - Part 2：自相关函数的性质
- 二、时间平均
- - Part 1：时间平均与样本平均
  - Part 2：均方收敛与均方可积
  - Part 3：时间平均的定义
- 三、各态历经性
- - Part 1：各态历经性的定义
  - Part 2：均值各态历经性定理
  - Part 3：自相关函数各态历经性定理

第七讲平稳过程

一、平稳过程及其相关概念

Part 1：平稳过程的定义

从通俗意义上去理解，平稳过程指的是统计特性不随时间的推移而改变的一类随机过程。随机过程的统计特性一般通过有限维分布和数字特征进行刻画。我们根据这些不变的特征，给出两种平稳过程的定义，即严平稳过程和宽平稳过程。

严平稳过程：对于随机过程 { X ( t ) , t ∈ T } \{X(t),\,t\in T\} {X(t),t∈T} ，如果对任意 k ≥ 1 k\geq1 k≥1 和 t 1 , t 2 , ⋯ , t k ∈ T t_1,t_2,\cdots,t_k\in T t1,t2,⋯,tk∈T 以及 h ∈ T h\in T h∈T 都有
( X ( t 1 + h ) , X ( t 2 + h ) , ⋯ , X ( t k + h ) ) = d ( X ( t 1 ) , X ( t 2 ) , ⋯ , X ( t k ) ) , \big(X(t_1+h),X(t_2+h),\cdots,X(t_k+h)\big)\xlongequal{d}\big(X(t_1),X(t_2),\cdots,X(t_k)\big) \ , (X(t1+h),X(t2+h),⋯,X(tk+h))d (X(t1),X(t2),⋯,X(tk)) ,
则称该随机过程为严平稳过程或强平稳过程。

严平稳过程的任意有限维分布都不随时间的推移而改变。然而实际中随机过程的有限维分布往往很难确定，所以我们一般研究的平稳过程，都是在数字特征尤其是一阶矩和二阶矩中体现出的平稳性。

宽平稳过程：对于随机过程 { X ( t ) , t ∈ T } \{X(t),\,t\in T\} {X(t),t∈T} ，对任意的 t ∈ T t\in T t∈T ，都有 E [ X ( t ) ] 2 < ∞ {\rm E}[X(t)]^2<\infty E[X(t)]2<∞ 。如果满足

均值函数为常数，即 μ X ( t ) ≡ μ , t ∈ T \mu_X(t)\equiv\mu \ , \ \ t\in T μX(t)≡μ , t∈T ；
自相关函数仅与时间差有关，即 r X ( s , t ) = R X ( s − t ) , s , t ∈ T r_X(s,\,t)=R_X(s-t) \ , \ \ s,\,t\in T rX(s,t)=RX(s−t) , s,t∈T ，

则称该随机过程为宽平稳过程或弱平稳过程。

严平稳过程和宽平稳过程的关系我们只需要记住以下两条：

如果严平稳过程的二阶矩存在且有限，那么它一定是宽平稳过程，反之则不一定。
如果宽平稳过程是正态过程，那么它一定是严平稳过程。

宽平稳过程一定是二阶矩过程。以后提到的平稳过程，除非特别指明，否则都指的是宽平稳过程。

Part 2：自相关函数的性质

对于平稳过程而言，我们主要研究的数字特征就是自相关函数或自协方差函数。下面我们介绍平稳过程自相关函数或自协方差函数的性质。

设 { X ( t ) , t ∈ T } \{X(t),\,t\in T\} {X(t),t∈T} 是宽平稳过程，定义自相关函数和自协方差函数为
r X ( τ ) = E ( X ( t ) X ( t + τ ) ) , C X ( τ ) = C o v ( X ( t ) , X ( t + τ ) ) , ∀ τ ∈ T , r_X(\tau)={\rm E}(X(t)X(t+\tau)) \ , \quad C_X(\tau)={\rm Cov}(X(t),X(t+\tau)) \ , \quad \forall\tau\in T \ , rX(τ)=E(X(t)X(t+τ)) ,CX(τ)=Cov(X(t),X(t+τ)) ,∀τ∈T ,
则有以下性质

r X ( 0 ) ≥ 0 , C X ( 0 ) ≥ 0 r_X(0)\geq0,\,C_X(0)\geq0 rX(0)≥0,CX(0)≥0 ；
r X ( τ ) r_X(\tau) rX(τ) 和 C X ( τ ) C_X(\tau) CX(τ) 均为偶函数；
∣ r X ( τ ) ∣ ≤ r X ( 0 ) , ∣ C X ( τ ) ∣ ≤ C X ( 0 ) |r_X(\tau)|\leq r_X(0),\,|C_X(\tau)|\leq C_X(0) ∣rX(τ)∣≤rX(0),∣CX(τ)∣≤CX(0) ，即 0 0 0 点是最大值点；
r X ( τ ) r_X(\tau) rX(τ) 和 C X ( τ ) C_X(\tau) CX(τ) 均为非负定函数；

我们只证明关于自相关函数的结论。

性质 1 和性质 2 由定义式可得：
r X ( 0 ) = E [ X ( t ) ] 2 ≥ 0 . r X ( − τ ) = E ( X ( t ) X ( t − τ ) ) = t ′ = t − τ E ( X ( t ′ ) X ( t ′ + τ ) ) = r X ( τ ) . \begin{aligned} &r_X(0)={\rm E}[X(t)]^2\geq0 \ . \\ \\ &r_X(-\tau)={\rm E}(X(t)X(t-\tau))\xlongequal{t'=t-\tau}{\rm E}(X(t')X(t'+\tau))=r_X(\tau) \ . \end{aligned} rX(0)=E[X(t)]2≥0 .rX(−τ)=E(X(t)X(t−τ))t′=t−τ E(X(t′)X(t′+τ))=rX(τ) .
性质 3 由柯西不等式可得：
∣ r X ( τ ) ∣ = ∣ E ( X ( t ) X ( t + τ ) ) ∣ ≤ E [ X ( t ) ] 2 E [ X ( t + τ ) ] 2 = r X ( 0 ) . \left|r_X(\tau)\right|=|{\rm E}(X(t)X(t+\tau))|\leq\sqrt{{\rm E}[X(t)]^2{\rm E}[X(t+\tau)]^2}=r_X(0) \ . ∣rX(τ)∣=∣E(X(t)X(t+τ))∣≤E[X(t)]2E[X(t+τ)]2 =rX(0) .
性质 4 只需证对任意的 t 1 , t 2 , ⋯ , t n ∈ T t_1,t_2,\cdots,t_n\in T t1,t2,⋯,tn∈T 和任意的 a 1 , a 2 , ⋯ , a n ∈ R a_1,a_2,\cdots,a_n\in\mathbb{R} a1,a2,⋯,an∈R ，有
∑ i = 1 n ∑ j = 1 n r X ( t i − t j ) a i a j ≥ 0 . \sum_{i=1}^n\sum_{j=1}^nr_X(t_i-t_j)a_ia_j\geq0 \ . i=1∑nj=1∑nrX(ti−tj)aiaj≥0 .
将定义式代入，并对和式进行整理可得
∑ i = 1 n ∑ j = 1 n r X ( t i − t j ) a i a j = ∑ i = 1 n ∑ j = 1 n E ( X ( t i ) X ( t j ) ) a i a j = E [ ∑ i = 1 n ∑ j = 1 n X ( t i ) X ( t j ) a i a j ] = E [ ∑ i = 1 n X ( t i ) a i ] 2 ≥ 0 . \begin{aligned} \sum_{i=1}^n\sum_{j=1}^nr_X(t_i-t_j)a_ia_j&=\sum_{i=1}^n\sum_{j=1}^n{\rm E}(X(t_i)X(t_j))a_ia_j\\ &={\rm E}\left[\sum_{i=1}^n\sum_{j=1}^nX(t_i)X(t_j)a_ia_j\right]={\rm E}\left[\sum_{i=1}^nX(t_i)a_i\right]^2\geq0 \ . \end{aligned} i=1∑nj=1∑nrX(ti−tj)aiaj=i=1∑nj=1∑nE(X(ti)X(tj))aiaj=E[i=1∑nj=1∑nX(ti)X(tj)aiaj]=E[i=1∑nX(ti)ai]2≥0 .
如果忘记了非负定的含义，请自行复习线性代数关于二次型的相关内容。

二、时间平均

Part 1：时间平均与样本平均

我们习惯上把随机变量的数学期望称作随机变量的均值，这里我们简单解释一下其中的缘由。设 X X X 是一个随机变量，数学期望为 E ( X ) = μ {\rm E}(X)=\mu E(X)=μ 。如果 μ \mu μ 是未知的，我们可以通过反复试验或多次观测，收集一组简单随机样本 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn ，计算样本均值 X ˉ \bar{X} Xˉ 作为 μ \mu μ 的估计。

根据辛钦大数定律，我们有
X 1 + X 2 + ⋯ + X n n → P μ , n → ∞ . \frac{X_1+X_2+\cdots+X_n}{n}\xrightarrow{P}\mu \ , \quad n\to\infty \ . nX1+X2+⋯+XnP μ ,n→∞ .
根据柯尔莫哥洛夫强大数定律，我们有
X 1 + X 2 + ⋯ + X n n → μ , a . s . n → ∞ . \frac{X_1+X_2+\cdots+X_n}{n}\xrightarrow{}\mu \ , \quad {\rm a.s.} \quad n\to\infty \ . nX1+X2+⋯+Xn μ ,a.s.n→∞ .
这就是极限意义下样本平均的概念。基于上述事实，数学期望 μ \mu μ 就可以被称为样本平均。

接下来我们考虑随机过程的情况。设 { X ( t ) , t ∈ T } \{X(t),\,t\in T\} {X(t),t∈T} 是一个随机过程，均值函数为 E ( X ( t ) ) = μ ( t ) {\rm E}(X(t))=\mu(t) E(X(t))=μ(t) 。如果 μ ( t ) \mu(t) μ(t) 是未知的，我们是否还能通过反复试验或多次观测，计算样本均值来估计 μ ( t ) \mu(t) μ(t) 呢？

需要注意，这里的观测需要针对同一时刻 t t t 进行。如果 t t t 发生改变，那么 X ( t ) X(t) X(t) 也不再是原来的随机变量。然而在真实世界里，时间是不可重复的。在指定时刻，所有事件只发生一次，我们无法实现反复试验或多次观测，更无法使用大数定律判断其收敛性。

为克服这一困难，我们考虑能否通过一次足够长时间的观测，用一条样本函数信息来估计均值函数和自相关函数呢？这就是时间平均的概念。对于平稳过程来说似乎是可行的，但我们需要给出类似于大数定律的极限条件，只有满足极限条件，才可以在极限意义下定义时间平均。

因此我们先引入均方可积的概念，再给出时间平均的定义。

Part 2：均方收敛与均方可积

在介绍均方可积之前，需要复习一下均方收敛的概念。

均方收敛：设 X , X 1 , X 2 , ⋯ , X n X,X_1,X_2,\cdots,X_n X,X1,X2,⋯,Xn 都是随机变量，且 E ( X 2 ) < ∞ , E ( X n 2 ) < ∞ , ∀ n ≥ 1 {\rm E}\left(X^2\right)<\infty,\,{\rm E}\left(X_n^2\right)<\infty,\,\forall n\geq1 E(X2)<∞,E(Xn2)<∞,∀n≥1 。如果
lim ⁡ n → ∞ E [ X n − X ] 2 = 0 , \lim_{n\to\infty}{\rm E}\left[X_n-X\right]^2=0 \ , n→∞limE[Xn−X]2=0 ,
则称 X n X_n Xn 均方收敛于 X X X ，记为 X n → L 2 X X_n\xrightarrow{L^2}X XnL2 X 。

下面给出均方可积的定义，了解即可，不需要掌握。

均方可积：设 { X ( t ) , a ≤ t ≤ b } \{X(t),\,a\leq t\leq b\} {X(t),a≤t≤b} 是二阶矩过程，做区间 [ a , b ] [a,b] [a,b] 的划分 a = t 0 < t 1 < ⋯ < t n = b a=t_0<t_1<\cdots<t_n=b a=t0<t1<⋯<tn=b ，令 Δ t i = t i − t i − 1 \Delta t_i=t_i-t_{i-1} Δti=ti−ti−1 ，取点 τ i ∈ [ t i − 1 , t i ] , i = 1 , 2 , ⋯ , n \tau_i\in[t_{i-1},t_i],\,i=1,2,\cdots,n τi∈[ti−1,ti],i=1,2,⋯,n 。如果存在随机变量 Y Y Y 使得
lim ⁡ max ⁡ Δ t i → 0 E ( ∑ i = 1 n X ( τ i ) Δ t i − Y ) 2 = 0 , \lim_{\max\Delta t_i\to0}{\rm E}\left(\sum_{i=1}^nX(\tau_i)\Delta t_i-Y\right)^2=0 \ , maxΔti→0limE(i=1∑nX(τi)Δti−Y)2=0 ,
则称 X ( t ) X(t) X(t) 在区间 [ a , b ] [a,b] [a,b] 上可积，记为 Y = ∫ a b X ( t ) d t Y=\displaystyle\int_a^bX(t){\rm d}t Y=∫abX(t)dt ，称为均方积分。

除此之外，均方可积还有如下的定理可供使用，证明略。

均方可积准则： X ( t ) X(t) X(t) 在 [ a , b ] [a,b] [a,b] 上均方可积的充要条件是
∫ a b ∫ a b r X ( t 1 , t 2 ) d t 1 d t 2 < ∞ . \int_a^b\int_a^br_X(t_1,t_2){\rm d}t_1{\rm d}t_2 <\infty \ . ∫ab∫abrX(t1,t2)dt1dt2<∞ .
推论：如果 { X ( t ) , t ∈ T } \{X(t),\,t\in T\} {X(t),t∈T} 是平稳过程，则对任何 [ a , b ] ⊂ T [a,b]\subset T [a,b]⊂T ， X ( t ) X(t) X(t) 在 [ a , b ] [a,b] [a,b] 上均方可积。

均方积分性质：设 X ( t ) X(t) X(t) 在 [ a , b ] [a,b] [a,b] 上均方可积，则有
E [ ∫ a b X ( t ) d t ] = ∫ a b E ( X ( t ) ) d t . E [ ( ∫ a b X ( t ) d t ) 2 ] = ∫ a b ∫ a b r X ( t 1 , t 2 ) d t 1 d t 2 . \begin{aligned} &{\rm E}\left[\int_a^bX(t){\rm d}t\right]=\int_a^b{\rm E}(X(t)){\rm d}t \ . \\ \\ &{\rm E}\left[\left(\int_a^bX(t){\rm d}t\right)^2\right]=\int_a^b\int_a^br_X(t_1,t_2){\rm d}t_1{\rm d}t_2 \ . \end{aligned} E[∫abX(t)dt]=∫abE(X(t))dt .E⎣⎡(∫abX(t)dt)2⎦⎤=∫ab∫abrX(t1,t2)dt1dt2 .

Part 3：时间平均的定义

现在我们可以给出时间平均和时间相关函数的定义。这里我们考虑时间参数空间为全体实数 R \mathbb{R} R 上的情况。如果 { X ( t ) : t ∈ R } \{X(t):t\in\mathbb{R}\} {X(t):t∈R} 为平稳过程，对任意的 T > 0 T>0 T>0 ，定义
X ˉ T = 1 2 T ∫ − T T X ( t ) d t , \bar{X}_T=\frac1{2T}\int_{-T}^TX(t){\rm d}t \ , XˉT=2T1∫−TTX(t)dt ,
由均方可积准则的推论知，一定有 X ( t ) X(t) X(t) 在 [ − T , T ] [-T,T] [−T,T] 上是均方可积，所以 X ˉ T \bar{X}_T XˉT 存在且有限，称 X ˉ T \bar{X}_T XˉT 为 [ − T , T ] [-T,T] [−T,T] 上的时间平均。进而，如果存在一个随机变量 η \eta η 使得
lim ⁡ T → ∞ E [ 1 2 T ∫ − T T X ( t ) d t − η ] 2 = 0 . \lim_{T\to\infty}{\rm E}\left[\frac{1}{2T}\int_{-T}^TX(t){\rm d}t-\eta\right]^2=0 \ . T→∞limE[2T1∫−TTX(t)dt−η]2=0 .
则称 η \eta η 为平稳过程 { X ( t ) : t ∈ R } \{X(t):t\in\mathbb{R}\} {X(t):t∈R} 的时间平均，记为
⟨ X ( t ) ⟩ = η = lim ⁡ T → ∞ 1 2 T ∫ − T T X ( t ) d t . \langle X(t)\rangle=\eta=\lim_{T\to\infty}\frac{1}{2T}\int_{-T}^TX(t){\rm d}t \ . ⟨X(t)⟩=η=T→∞lim2T1∫−TTX(t)dt .
进而我们可以定义该平稳过程的时间相关函数为
⟨ X ( t ) X ( t + τ ) ⟩ = lim ⁡ T → ∞ 1 2 T ∫ − T T X ( t ) X ( t + τ ) d t . \langle X(t)X(t+\tau)\rangle=\lim_{T\to\infty}\frac{1}{2T}\int_{-T}^TX(t)X(t+\tau){\rm d}t \ . ⟨X(t)X(t+τ)⟩=T→∞lim2T1∫−TTX(t)X(t+τ)dt .
类似地，我们给出如下三种参数空间的平稳过程的时间平均。如果时间参数空间是离散型的，我们可以用级数代替均方积分。

如果 { X ( t ) : t ≥ 0 } \{X(t):t\geq0\} {X(t):t≥0} 为平稳过程，我们可以定义该过程的时间平均为
⟨ X ( t ) ⟩ = lim ⁡ T → ∞ 1 T ∫ 0 T X ( t ) d t , ⟨ X ( t ) X ( t + τ ) ⟩ = lim ⁡ T → ∞ 1 T ∫ 0 T X ( t ) X ( t + τ ) d t . \langle X(t)\rangle=\lim_{T\to\infty}\frac{1}{T}\int_0^TX(t){\rm d}t \ , \quad \langle X(t)X(t+\tau)\rangle=\lim_{T\to\infty}\frac{1}{T}\int_{0}^TX(t)X(t+\tau){\rm d}t \ . ⟨X(t)⟩=T→∞limT1∫0TX(t)dt ,⟨X(t)X(t+τ)⟩=T→∞limT1∫0TX(t)X(t+τ)dt .
如果 { X n : n ≥ 0 } \{X_n:n\geq0\} {Xn:n≥0} 是平稳过程，我们可以定义该过程的时间平均为
⟨ X n ⟩ = lim ⁡ N → ∞ 1 N ∑ n = 1 N X n , ⟨ X n X n + k ⟩ = lim ⁡ N → ∞ 1 N ∑ n = 1 N X n X n + k . \langle X_n\rangle=\lim_{N\to\infty}\frac{1}{N}\sum_{n=1}^NX_n \ , \quad \langle X_nX_{n+k}\rangle=\lim_{N\to\infty}\frac{1}{N}\sum_{n=1}^NX_nX_{n+k} \ . ⟨Xn⟩=N→∞limN1n=1∑NXn ,⟨XnXn+k⟩=N→∞limN1n=1∑NXnXn+k .
如果 { X n : n ∈ Z } \{X_n:n\in\mathbb{Z}\} {Xn:n∈Z} 是平稳过程，我们可以定义该过程的时间平均为
⟨ X n ⟩ = lim ⁡ N → ∞ 1 2 N + 1 ∑ n = − N N X n , ⟨ X n X n + k ⟩ = lim ⁡ N → ∞ 1 2 N + 1 ∑ n = − N N X n X n + k . \langle X_n\rangle=\lim_{N\to\infty}\frac{1}{2N+1}\sum_{n=-N}^NX_n \ , \quad \langle X_nX_{n+k}\rangle=\lim_{N\to\infty}\frac{1}{2N+1}\sum_{n=-N}^NX_nX_{n+k} \ . ⟨Xn⟩=N→∞lim2N+11n=−N∑NXn ,⟨XnXn+k⟩=N→∞lim2N+11n=−N∑NXnXn+k .
关于时间平均和样本平均的概念，我们需要注意一点：对于平稳过程 { X ( t ) : t ∈ T } \{X(t):t\in T\} {X(t):t∈T} 而言，如果设样本平均为 E ( X ( t ) ) = μ {\rm E}(X(t))=\mu E(X(t))=μ ，时间平均为 ⟨ X ( t ) ⟩ = η \langle X(t)\rangle=\eta ⟨X(t)⟩=η ，则有 μ \mu μ 是一个常数，而 η \eta η 是一个随机变量。

三、各态历经性

Part 1：各态历经性的定义

有了时间平均和时间相关函数的概念，我们回到之前的问题：是否可以用一条样本函数信息来估计均值函数和自相关函数。

对于平稳过程 { X ( t ) : t ∈ T } \{X(t):t\in T\} {X(t):t∈T} ，如果时间平均几乎处处等于样本平均，即
⟨ X ( t ) ⟩ = E ( X ( t ) ) = μ X , a . s . , \langle X(t)\rangle={\rm E}(X(t))=\mu_X \ , \quad {\rm a.s.} \ , ⟨X(t)⟩=E(X(t))=μX ,a.s. ,
则称过程的均值具有各态历经性。

对任意的实数 τ \tau τ ，如果时间相关函数几乎处处等于自相关函数，即
⟨ X ( t ) X ( t + τ ) ⟩ = E ( X ( t ) X ( t + τ ) ) = R X ( τ ) , a . s . , \langle X(t)X(t+\tau)\rangle={\rm E}(X(t)X(t+\tau))=R_X(\tau) \ , \quad {\rm a.s.} \ , ⟨X(t)X(t+τ)⟩=E(X(t)X(t+τ))=RX(τ) ,a.s. ,
则称过程的自相关函数具有各态历经性。

若平稳过程的均值函数和自相关函数都具有各态历经性，则称该平稳过程是各态历经过程。

Part 2：均值各态历经性定理

首先考虑连续时间平稳过程的情况，设 { X ( t ) : t ∈ T } \{X(t):t\in T\} {X(t):t∈T} 的时间参数空间为 R \mathbb{R} R 或 [ 0 , ∞ ) [0,\infty) [0,∞) 。

定理：设 { X ( t ) : t ∈ R } \{X(t):t\in\mathbb{R}\} {X(t):t∈R} 是平稳过程，则 { X ( t ) } \{X(t)\} {X(t)} 的均值具有各态历经性当且仅当
lim ⁡ T → ∞ 1 T 2 ∫ − T T ( T − ∣ τ ∣ ) ( r X ( τ ) − μ X 2 ) d τ = 0 . \lim_{T\to\infty}\frac{1}{T^2}\int_{-T}^T(T-|\tau|)\left(r_X(\tau)-\mu_X^2\right){\rm d}\tau=0 \ . T→∞limT21∫−TT(T−∣τ∣)(rX(τ)−μX2)dτ=0 .
定理：设 { X ( t ) : t ≥ 0 } \{X(t):t\geq0\} {X(t):t≥0} 是平稳过程，则 { X ( t ) } \{X(t)\} {X(t)} 的均值具有各态历经性当且仅当
lim ⁡ T → ∞ 1 T 2 ∫ 0 T ( T − τ ) ( r X ( τ ) − μ X 2 ) d τ = 0 . \lim_{T\to\infty}\frac{1}{T^2}\int_{0}^T(T-\tau)\left(r_X(\tau)-\mu_X^2\right){\rm d}\tau=0 \ . T→∞limT21∫0T(T−τ)(rX(τ)−μX2)dτ=0 .
推论：设 { X ( t ) : t ∈ T } \{X(t):t\in T\} {X(t):t∈T} 的时间参数空间为 R \mathbb{R} R 或 [ 0 , ∞ ) [0,\infty) [0,∞) ，则 { X ( t ) } \{X(t)\} {X(t)} 的均值具有各态历经性当且仅当
lim ⁡ T → ∞ 1 T ∫ 0 T ( r X ( τ ) − μ X 2 ) d τ = 0 . \lim_{T\to\infty}\frac{1}{T}\int_{0}^T\left(r_X(\tau)-\mu_X^2\right){\rm d}\tau=0 \ . T→∞limT1∫0T(rX(τ)−μX2)dτ=0 .
推论：若 lim ⁡ τ → ∞ r X ( τ ) \lim\limits_{\tau\to\infty}r_X(\tau) τ→∞limrX(τ) 存在，则 { X ( t ) } \{X(t)\} {X(t)} 的均值具有各态历经性当且仅当 lim ⁡ τ → ∞ r X ( τ ) = μ X 2 \lim\limits_{\tau\to\infty}r_X(\tau)=\mu_X^2 τ→∞limrX(τ)=μX2 。

该推论是平稳过程均值具有各态历经性的充分条件，说明当时间间隔充分大时，若状态呈现不相关性，则均值具有各态历经性。

反之不一定成立，如随机相位正弦波过程的 lim ⁡ τ → ∞ r X ( τ ) \lim\limits_{\tau\to\infty}r_X(\tau) τ→∞limrX(τ) 不存在，但它的均值是各态历经的。

接下来考虑离散时间平稳过程的情况，设 { X n : n ∈ T } \{X_n:n\in T\} {Xn:n∈T} 的时间参数空间为 Z \mathbb{Z} Z 或 N ∗ \mathbb{N^*} N∗ 。

定理：设 { X n : n ∈ Z } \{X_n:n\in\mathbb{Z}\} {Xn:n∈Z} 是平稳过程，则 { X n } \{X_n\} {Xn} 的均值具有各态历经性当且仅当
lim ⁡ N → ∞ 1 N 2 ∑ k = − N N ( N − ∣ k ∣ ) ( r X ( k ) − μ X 2 ) = 0 . \lim_{N\to\infty}\frac{1}{N^2}\sum_{k=-N}^N(N-|k|)\left(r_X(k)-\mu_X^2\right)=0 \ . N→∞limN21k=−N∑N(N−∣k∣)(rX(k)−μX2)=0 .
定理：设 { X n : n ≥ 0 } \{X_n:n\geq0\} {Xn:n≥0} 是平稳过程，则 { X n } \{X_n\} {Xn} 的均值具有各态历经性当且仅当
lim ⁡ N → ∞ 1 N 2 ∑ k = 1 N ( N − k ) ( r X ( k ) − μ X 2 ) = 0 . \lim_{N\to\infty}\frac{1}{N^2}\sum_{k=1}^N(N-k)\left(r_X(k)-\mu_X^2\right)=0 \ . N→∞limN21k=1∑N(N−k)(rX(k)−μX2)=0 .
推论：设 { X n : n ∈ T } \{X_n:n\in T\} {Xn:n∈T} 的时间参数空间为 Z \mathbb{Z} Z 或 N ∗ \mathbb{N^*} N∗ ，则 { X n } \{X_n\} {Xn} 的均值具有各态历经性当且仅当
lim ⁡ N → ∞ 1 N ∑ k = 1 N ( r X ( k ) − μ X 2 ) = 0 . \lim_{N\to\infty}\frac{1}{N}\sum_{k=1}^N\left(r_X(k)-\mu_X^2\right)=0 \ . N→∞limN1k=1∑N(rX(k)−μX2)=0 .
推论：若 lim ⁡ k → ∞ r X ( k ) \lim\limits_{k\to\infty}r_X(k) k→∞limrX(k) 存在，则 { X n } \{X_n\} {Xn} 的均值具有各态历经性当且仅当 lim ⁡ k → ∞ r X ( k ) = μ X 2 \lim\limits_{k\to\infty}r_X(k)=\mu_X^2 k→∞limrX(k)=μX2 。

以上定理和推论的证明我们就不予讨论了。

Part 3：自相关函数各态历经性定理

将均值各态历经性定理中的 X ( t ) X(t) X(t) 换成 X ( t ) X ( t + h ) X(t)X(t+h) X(t)X(t+h) 就可得到自相关函数各态历经性定理。

定理：设 { X ( t ) : t ∈ R } \{X(t):t\in\mathbb{R}\} {X(t):t∈R} 是平稳过程，对任意给定的 h h h ， { X ( t ) X ( t + h ) : t ∈ R } \{X(t)X(t+h):t\in\mathbb{R}\} {X(t)X(t+h):t∈R} 也是平稳过程，

则 { X ( t ) } \{X(t)\} {X(t)} 的自相关函数具有各态历经性当且仅当
lim ⁡ T → ∞ 1 T ∫ 0 T ( B h ( τ ) − r X 2 ( h ) ) d τ = 0 , \lim_{T\to\infty}\frac1T\int_0^T\left(B_h(\tau)-r_X^2(h)\right){\rm d}\tau=0 \ , T→∞limT1∫0T(Bh(τ)−rX2(h))dτ=0 ,
其中 B h ( τ ) = E [ X ( t ) X ( t + h ) X ( t + τ ) X ( t + h + τ ) ] B_h(\tau)={\rm E}\left[X(t)X(t+h)X(t+\tau)X(t+h+\tau)\right] Bh(τ)=E[X(t)X(t+h)X(t+τ)X(t+h+τ)] 。

【应用随机过程】07. 平稳过程相关推荐

随机过程2 平稳过程与二阶矩
文章目录 1. 相关函数 2. 功率谱 2.1 定义 2.2 功率谱与时域平均 3. 线性系统 4. 随机连续性与随机微积分 4.1 随机连续性 4.2 随机微分(均方意义) 4.3 Taylor 级 ...
随机过程4-宽平稳过程，严平稳过程的定义和判定
通信原理基础知识问答梳理（史上最全）
1.莱斯分布在什么条件下可以近似为高斯分布? 当信噪比很大时 2.随机过程是否存在傅里叶变换?如果没有,应该如何描述随机过程的频谱特性? 随机过程不满足绝对可积和能量有限的条件,不存在傅里叶变换,可用 ...
马尔可夫过程2 | 状态空间
文章目录 6.4 状态空间的分解 6.5 极限特性与平稳分布 6.5.1 极限特性 6.5.2 平稳分布 6.6 转移矩阵的平均极限 6.4 状态空间的分解定义:设 A⊂SA\subset SA⊂S ...
【数理知识】《随机过程》方兆本老师-第4章-平稳过程
第3章回到目录第5章第4章-平稳过程-<随机过程>方兆本 4.1 定义和例子定义4.1 严平稳过程定义4.2 宽平稳随机过程定义4.3 高斯过程定义4.4 周期平稳过程 4. ...
随机过程笔记(5) 平稳过程
文章目录严平稳和宽平稳严平稳宽平稳严平稳和宽平稳的关系宽平稳的性质例题联合平稳过程定义各态历经性( 均方遍历性 ) 意义均值遍历定理自相关函数遍历定理例题琐碎联想严平稳和宽 ...
【随机过程】 5 - 非平稳过程
非平稳过程文章目录非平稳过程 1. 问题引入 2. 循环平稳过程 2.1 循环平稳过程的定义 2.2 循环平稳过程与宽平稳随机过程的关系 2.3 条件期望 2.3.1 定义 2.3.2 条件期望的 ...
随机过程基础4--非平稳过程
1,平稳就代表随机过程在某一方面具有不变性.随着时间的偏移某一方面保持不变.所以会有很多种平稳随机过程. 最熟悉的宽平稳就是,一阶均值保持不变,二阶自相关函数与时间也无关.之前学习的性质,从频域分析都 ...
平稳过程之均值遍历性定理 - 随机过程
[平稳过程之均值遍历性定理]

【应用随机过程】07. 平稳过程

文章目录

第七讲平稳过程

一、平稳过程及其相关概念

Part 1：平稳过程的定义

Part 2：自相关函数的性质

二、时间平均

Part 1：时间平均与样本平均

Part 2：均方收敛与均方可积

Part 3：时间平均的定义

三、各态历经性

Part 1：各态历经性的定义

Part 2：均值各态历经性定理

Part 3：自相关函数各态历经性定理

【应用随机过程】07. 平稳过程相关推荐

最新文章

热门文章

【应用随机过程】07. 平稳过程

文章目录

第七讲 平稳过程

一、平稳过程及其相关概念

Part 1：平稳过程的定义

Part 2：自相关函数的性质

二、时间平均

Part 1：时间平均与样本平均

Part 2：均方收敛与均方可积

Part 3：时间平均的定义

三、各态历经性

Part 1：各态历经性的定义

Part 2：均值各态历经性定理

Part 3：自相关函数各态历经性定理

【应用随机过程】07. 平稳过程相关推荐

最新文章

热门文章

第七讲平稳过程