【应用随机过程】07. 平稳过程 | 您所在的位置:网站首页 › qq邮箱注册公众号时说被占用怎么办啊安全吗知乎 › 【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{\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)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)] 。 |
CopyRight 2018-2019 实验室设备网 版权所有 |