【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
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]
最新文章
- Spring中应用反射机制浅析
- 人类血液中首次发现微塑料颗粒,饮料瓶塑料袋化妆品都是来源
- 南开大学2014年高等代数部分试题解答
- bp神经网络_BP神经网络的原理介绍
- 重要说明,粉丝必看【java人脸识别说明】
- pythonscrapy爬虫安装_零基础写python爬虫之爬虫框架Scrapy安装配置
- RedHat Linux 加入域
- UG软件使用10大技巧,将会大大提升工作效率
- 09开博——不差钱,就缺朋友
- 文献管理软件Zotero常用插件安装及配置使用
- esp8266 BH1750光照强度传感器
- windows bat更改系统时间 同步internet时间
- 用html5做一个介绍自己家乡的页面_(近万字)一篇文章带你了解HTML5和CSS3开发基础与应用-适合前端面试必备...
- Unity Shader 皮肤水滴效果
- MySQL Kill出现Killed死锁处理
- 响应式设计的三个步骤
- 快速批量修改文件名字
- Java、JSP基于Web停车场管理系统毕业设计论文
- 企业ERP实施的能力成熟度分析(转)
- 戴维营第八天上课总结
热门文章
- 应用ceph对象存储(ceph-13.2.10)
- 如何用BitLocker给移动硬盘,U盘加密
- ubuntu 常用命令大全(转)
- php think addon,think-addons
- SQL获得当前的日期和时间与DB2 中操作日期和时间
- 基于javaweb的高校运动会管理系统(java+ssm+jsp+js+jquery+mysql)
- 上周热点回顾(3.19-3.25)
- C#数据库四种执行方法(ExecuteNonQuery)
- C进阶(2)指针的进阶(1)
- blender操作说明