物理学基础精解【80】
这里写目录标题
随机过程
离散随机过程的自相关函数和协方差函数
在随机信号处理中具有重要意义,它们用于描述随机过程的统计特性,特别是过程中的时间相关性。
1. 自相关函数(Autocorrelation Function)
对于一个离散随机过程 { X t } \{X_t\} {Xt},自相关函数描述了该过程在不同时间点的信号之间的相互依赖程度。给定两个时间点 t 1 t_1 t1和 t 2 t_2 t2,自相关函数定义为:
R X ( t 1 , t 2 ) = E [ X t 1 X t 2 ] R_X(t_1, t_2) = \mathbb{E}[X_{t_1} X_{t_2}] RX(t1,t2)=E[Xt1Xt2]
其中:
-
E
[
⋅
]
\mathbb{E}[\cdot]
E[⋅]表示期望。
-
X
t
1
X_{t_1}
Xt1和
X
t
2
X_{t_2}
Xt2是随机过程在时刻
t
1
t_1
t1和
t
2
t_2
t2的值。
自相关函数的性质:
- 对称性: R X ( t 1 , t 2 ) = R X ( t 2 , t 1 ) R_X(t_1, t_2) = R_X(t_2, t_1) RX(t1,t2)=RX(t2,t1)。
- 最大值: R X ( t , t ) R_X(t, t) RX(t,t)是自相关函数的最大值,表示在同一时刻的信号相关性,通常是信号的能量或方差。
如果过程是平稳的(即统计特性不随时间变化),则自相关函数仅取决于时间差 τ = t 2 − t 1 \tau = t_2 - t_1 τ=t2−t1:
R X ( τ ) = E [ X t X t + τ ] R_X(\tau) = \mathbb{E}[X_t X_{t+\tau}] RX(τ)=E[XtXt+τ]
此时,自相关函数仅与两个时刻之间的时间差有关,而与时间的绝对值无关。
2. 协方差函数(Covariance Function)
协方差函数则是自相关函数与随机过程的均值之间的关系。对于一个离散随机过程 { X t } \{X_t\} {Xt},其协方差函数定义为:
Cov ( X t 1 , X t 2 ) = E [ ( X t 1 − E [ X t 1 ] ) ( X t 2 − E [ X t 2 ] ) ] \text{Cov}(X_{t_1}, X_{t_2}) = \mathbb{E}[(X_{t_1} - \mathbb{E}[X_{t_1}])(X_{t_2} - \mathbb{E}[X_{t_2}])] Cov(Xt1,Xt2)=E[(Xt1−E[Xt1])(Xt2−E[Xt2])]
它表示在两个时间点上,过程的偏离均值的相关性。如果过程是平稳的,则协方差函数为:
Cov ( X t , X t + τ ) = E [ ( X t − μ ) ( X t + τ − μ ) ] \text{Cov}(X_t, X_{t+\tau}) = \mathbb{E}[(X_t - \mu)(X_{t+\tau} - \mu)] Cov(Xt,Xt+τ)=E[(Xt−μ)(Xt+τ−μ)]
其中 μ = E [ X t ] \mu = \mathbb{E}[X_t] μ=E[Xt]是过程的均值。协方差函数也仅取决于时间差 τ \tau τ。
协方差函数的性质:
- 对称性: Cov ( X t 1 , X t 2 ) = Cov ( X t 2 , X t 1 ) \text{Cov}(X_{t_1}, X_{t_2}) = \text{Cov}(X_{t_2}, X_{t_1}) Cov(Xt1,Xt2)=Cov(Xt2,Xt1)。
- 当 t 1 = t 2 t_1 = t_2 t1=t2时,协方差函数变为该时间点上的方差: Var ( X t ) = Cov ( X t , X t ) \text{Var}(X_t) = \text{Cov}(X_t, X_t) Var(Xt)=Cov(Xt,Xt)。
- 当两个时间点上的信号独立时,协方差函数为 0。
自相关函数与协方差函数的关系
自相关函数和协方差函数之间的关系可以通过均值 μ = E [ X t ] \mu = \mathbb{E}[X_t] μ=E[Xt]来表示。如果过程的均值为零,即 E [ X t ] = 0 \mathbb{E}[X_t] = 0 E[Xt]=0,则自相关函数和协方差函数是相同的:
R X ( t 1 , t 2 ) = Cov ( X t 1 , X t 2 ) R_X(t_1, t_2) = \text{Cov}(X_{t_1}, X_{t_2}) RX(t1,t2)=Cov(Xt1,Xt2)
对于非零均值的过程,它们之间的关系为:
R X ( t 1 , t 2 ) = Cov ( X t 1 , X t 2 ) + E [ X t 1 ] E [ X t 2 ] R_X(t_1, t_2) = \text{Cov}(X_{t_1}, X_{t_2}) + \mathbb{E}[X_{t_1}]\mathbb{E}[X_{t_2}] RX(t1,t2)=Cov(Xt1,Xt2)+E[Xt1]E[Xt2]
总结
- 自相关函数:描述随机过程不同时间点的相关性,特别是反映随机过程在时间上的结构。
- 协方差函数:描述偏离均值后的相关性,反映了信号的波动和波动间的关系。
随机过程的期望(expectation)
是描述随机过程整体特性的一个重要统计量。对于随机过程 { X t } t ∈ T \{X_t\}_{t \in T} {Xt}t∈T,期望描述了在每个时间点上该过程的平均值或中心趋势。
1. 随机过程的定义
一个随机过程 { X t } t ∈ T \{X_t\}_{t \in T} {Xt}t∈T 是一个定义在某个概率空间上的一族随机变量,其中 t t t 是时间参数,可能是离散的(如 t ∈ Z t \in \mathbb{Z} t∈Z)或连续的(如 t ∈ R t \in \mathbb{R} t∈R)。
对于每个时间点 t t t, X t X_t Xt 是一个随机变量。因此,随机过程可以看作是一组随机变量随时间变化的集合。
2. 随机过程的期望
随机过程在每个时间点的期望,即其平均值,定义为:
E [ X t ] = ∫ Ω X t ( ω ) P ( d ω ) \mathbb{E}[X_t] = \int_{\Omega} X_t(\omega) P(d\omega) E[Xt]=∫ΩXt(ω)P(dω)
其中:
- E [ ⋅ ] \mathbb{E}[\cdot] E[⋅] 表示期望运算;
- X t ( ω ) X_t(\omega) Xt(ω) 是随机过程在时间 t t t 时的取值;
- P ( d ω ) P(d\omega) P(dω) 是概率测度,定义了样本空间 Ω \Omega Ω 上的概率分布。
随机过程的期望函数是一个关于时间 t t t 的函数,描述了在每个时间点上随机变量 X t X_t Xt 的期望值。
3. 平稳随机过程的期望
如果随机过程是平稳的,即它的统计特性不随时间变化,则该过程在所有时间点上的期望相同:
E [ X t ] = μ ∀ t ∈ T \mathbb{E}[X_t] = \mu \quad \forall t \in T E[Xt]=μ∀t∈T
其中 μ \mu μ 是平稳过程的常数期望值。
4. 随机过程期望的例子
-
离散时间随机过程:对于一个离散时间随机过程 { X n } \{X_n\} {Xn}, n ∈ Z n \in \mathbb{Z} n∈Z,期望为:
E [ X n ] = ∑ x x P ( X n = x ) \mathbb{E}[X_n] = \sum_{x} x P(X_n = x) E[Xn]=x∑xP(Xn=x)
这里 P ( X n = x ) P(X_n = x) P(Xn=x) 是随机变量 X n X_n Xn 取值为 x x x 的概率。
-
连续时间随机过程:对于连续时间随机过程 { X t } \{X_t\} {Xt}, t ∈ R t \in \mathbb{R} t∈R,期望为:
E [ X t ] = ∫ − ∞ ∞ x f X t ( x ) d x \mathbb{E}[X_t] = \int_{-\infty}^{\infty} x f_{X_t}(x) dx E[Xt]=∫−∞∞xfXt(x)dx
这里 f X t ( x ) f_{X_t}(x) fXt(x) 是随机变量 X t X_t Xt 的概率密度函数。
5. 条件期望
随机过程的条件期望是在给定某些信息的情况下,对随机过程的期望值进行估计。设 F t \mathcal{F}_t Ft 是表示时间 t t t 之前的信息的一个 σ \sigma σ-代数,那么条件期望 E [ X t + h ∣ F t ] \mathbb{E}[X_{t+h} | \mathcal{F}_t] E[Xt+h∣Ft] 是在已知时间 t t t 时刻的信息下,对 t + h t+h t+h 时刻随机变量 X t + h X_{t+h} Xt+h 的期望估计。
6. 随机过程期望的作用
随机过程的期望通常用于描述该过程的均值行为,帮助我们了解随机过程随时间演化的趋势。对于平稳过程,期望是一个常数,而对于非平稳过程,期望可能是时间的函数,这意味着过程在不同时间点有不同的中心趋势。
总结起来,随机过程的期望为我们提供了对过程的平均行为或趋势的理解,在随机信号处理、时间序列分析等应用中起到重要作用。
参考文献
- chagpt
原文地址:https://blog.csdn.net/sakura_sea/article/details/142879782
免责声明:本站文章内容转载自网络资源,如本站内容侵犯了原著者的合法权益,可联系本站删除。更多内容请关注自学内容网(zxcms.com)!