概率与随机变量(4)

概率与随机变量(4)

随机过程(Stochastic Process)的定义示意图

左侧的紫色云朵代表样本空间(所有可能出现的随机结果的集合),里面的字母(A, B, C, D, E, F)代表每一次随机试验的具体结果(通常记为 \(\omega\) 或 \(s\))。虚线箭头表示:不同的随机结果会“映射”出右侧不同的波形。

样本函数(Sample functions):右侧画出的每一条具体波形(如标注的 \(X(t, \{A,D,E\})\)、\(X(t, \{B,F\})\) 等),对应左侧某个(或某组)随机结果。如果固定了随机结果,得到的就是一个确定的时间函数,这被称为样本函数(或实现轨迹)。

随机过程 \(X(t)\):随机过程是所有波形的集合。也就是说,把右侧这无数条形态各异的波形合在一起,就构成了一个动态的随机过程

通俗比喻:假设记录 100 台同型号收音机每天产生的噪声电压。每一台录出来的具体波形就是一条“样本函数”;这 100 条波形合起来就是“随机过程”;而在今天中午 12 点(\(t_1\))去同时看这 100 台机器的电压值,这组值就是一个“随机变量”。


集合平均(Ensemble Average)—— “纵向切面”应用于“特定时刻的随机变量”(at a specific time instant)

\[\mathbb{E}[X(t)]=\int_{-\infty}^{\infty}xf_{X(t)}(x)dx \]

\[\mathbb{E}\left[g\left(X\left(t\right)\right)\right]=\int_{-\infty}^{\infty}g\left(x\right)\mathrm{f}_{X(t)}\left(x\right)\mathrm{d}x \]

X(t):随机过程在固定时刻 \(t\) 的随机变量

fx(t):这个随机变量在时刻 \(t\) 的概率密度函数

它的意思是:在同一个时刻 \(t\),把所有可能的结果放在一起求平均

可以想象同时做很多次实验,在时刻 \(t\) 记录所有实验的结果,然后取平均


Time Average(时间平均)

\[\overline{X(t,s_0)}=\lim_{T\to\infty}\frac{\int_{-T}^TX(t,s_0)dt}{2T} \]

\[\overline{g\left(X\left(t,s_0\right)\right)}=\lim_{\mathbb{T}\to\infty}\frac{\int_{-\mathbb{T}}^{\mathbb{T}}g\left(X\left(t,s_0\right)\right)\mathrm{d}t}{2\mathbb{T}} \]

s0:某一次具体实验,也就是随机过程的一个样本函数

X(t,s0):这一次实验得到的整条信号

分子:对这条信号在时间区间 \([-T,T]\) 上;分母 \(2T\):区间长度


集平均 时间平均
固定时间 \(t\) 固定某一条样本信号
对许多次实验结果求平均 对一条信号沿时间求平均
关心“同一时刻不同可能性” 关心“一个实现随时间的变化”

例如有很多台相同设备同时测量噪声:在某个时刻把所有设备的读数平均,是集平均;只选一台设备,把它的噪声记录很长时间再平均,是时间平均。如果某个随机过程的集平均和时间平均相等,通常就称它具有各态历经性(ergodicity),更具体地说是关于均值满足“均值各态历经”在满足平稳性和各态历经性的情况下,我们可以用一台设备测很长时间,来估计原本需要很多次实验才能得到的集合统计量(设备的一条长期轨迹会按照集合中的概率分布,以正确的时间比例遍历所有的状态。)


遍历过程

\[\overline{g\left(X\left(t,s_0\right)\right)}=\mathbb{E}\left[g\left(X\left(t\right)\right)\right] \]

含义:如果这个随机信号是“各态历经”的,那么单条波形的长时间表现 = 所有波形的统计表现。工程上意义重大:只需测一条长波形,就能推算整体统计特性。

当随机信号来自遍历源时,其均值和均方值将变为常数


均值:直流分量

\[m_X=\mathbb{E}[X(t)]=\overline{X(t)} \]

这个均值对应信号的直流分量 DC,可以理解成信号的平均电平或固定偏移:

\[X(t)=4+\sin(t) \]

4就是直流分量,sin(t)就是交流分量;这里的过程是各态历经的,所以两种算法得到同一个值。


均方值:总平均功率(上述的g(x)函数取x的平方,代入就能够证明)

\[\mathbb{E}[X^2(t)]=\overline{X^2(t)} \]


直流功率:

\[(\mathbb{E}[X(t)])^2=(\overline{X(t)})^2 \]

AC交流功率就是总平均功率减去直流功率


自相关函数:

\[\mathbb{R}\left(t_1,t_2\right)=\mathbb{E}\left[X\left(t_1\right)X\left(t_2\right)\right] \]

当随机过程在广义意义上是平稳的(WSS)时:

\[\begin{array}{l}\mathbb{E}\left[\mathcal{X}\left(\mathfrak{t}\right)\right]=\mathfrak{m}_X\\\mathbb{R}\left(\mathfrak{t}_1,\mathfrak{t}_2\right)=\mathbb{R}\left(\mathfrak{t}_1-\mathfrak{t}_2\right)\end{array} \]

如果信号是宽平稳的(均值恒定,且统计特性只跟时间差有关),那么两个时刻的关联只取决于它们隔了多久 \(\tau = t_1 - t_2\),而不取决于具体几点,公式变化为:

\[R(\tau)=\mathbb{E}[X(t)X(t+\tau)] \]

\(\tau=0\) 时:\(R(0) = \mathbb{E}[X^2(t)]\)(总平均功率)

\(\tau \to \infty\) 时(若信号无周期):常趋于 \(m_X^2\)(直流功率),剩下的波动部分就是交流功率。

WSS 过程自相关函数的性质:

\(R(\tau)=R(-\tau)\)(偶函数)

\(R(0)=\mathbb E[X^2(t)]\)(原点=平均功率)

对任意随机变量 \(A,B\):\(\mathbb E[AB]^2\le \mathbb E[A^2]\mathbb E[B^2]\)

所以有:

\(R(0)\ge |R(\tau)|\)(原始选择的点取最大值)


\[f_\Phi(\phi)=\begin{cases}&\frac{1}{2\pi},&-\pi\leqslant\phi\leqslant\pi\\&0,&\mathrm{otherwise}&&\end{cases} \]

\[\mathfrak{m}_{\chi}\left(\mathfrak{t}\right)=\mathbb{E}\left[\mathcal{X}\left(\mathfrak{t}\right)\right]=\mathbb{E}\left[\mathcal{A}\cos\left(2\pi\mathfrak{f}_{\mathfrak{c}}\mathfrak{t}+\mathfrak{\Phi}\right)\right] \]

\[\mathfrak{m}_{\mathcal{X}}\left(\mathfrak{t}\right)=\frac{1}{2\pi}\int_{-\pi}^{\pi}\mathcal{A}\cos\left(2\pi\mathfrak{f}_{\mathfrak{c}}\mathfrak{t}+\mathfrak{\phi}\right)\mathrm{d}\mathfrak{\phi}=0(周期函数积分一个周期为0) \]

\[\mathrm{R}\left(\mathrm{t}_1,\mathrm{t}_2\right)=\mathbb{E}\left[\mathrm{X}\left(\mathrm{t}_1\right)\mathrm{X}\left(\mathrm{t}_2\right)\right] \]

\[=\mathbb{E}\left[\mathrm{A}\cos\left(2\pi\mathrm{f}_{\mathrm{c}}\mathrm{t}_{1}+\mathrm{Ф}\right)\mathrm{A}\cos\left(2\pi\mathrm{f}_{\mathrm{c}}\mathrm{t}_{2}+\mathrm{Ф}\right)\right] \]

\[=\mathrm{A}^{2}\mathbb{E}\left[\frac{1}{2}\cos\left(2\pi\mathrm{f}_{\mathrm{c}}\left(\mathrm{t}_{1}-\mathrm{t}_{2}\right)\right)+\frac{1}{2}\cos\left(2\pi\mathrm{f}_{\mathrm{c}}\left(\mathrm{t}_{1}+\mathrm{t}_{2}\right)+2\mathrm{\phi}\right)\right](第二式子为均匀分布数学期望) \]

\[=\frac{\mathrm{A}^2}{2}\cos\left(2\pi\mathrm{f}_\mathrm{c}\left(\mathrm{t}_1-\mathrm{t}_2\right)\right)+\frac{\mathrm{A}^2}{2}\int_{-\pi}^\pi\cos\left(2\pi\mathrm{f}_\mathrm{c}\left(\mathrm{t}_1+\mathrm{t}_2\right)+2\mathrm{\phi}\right)\frac{\mathrm{d}\phi}{2\pi} \]

\[由于等式右边第二项为0,所以原式=\frac{\mathrm{A}^2}{2}\cos\left(2\pi\mathrm{f}_\mathrm{c}\tau\right) \]

第一条均值mx(t)为常数0,第二条自相关函数未包含时间t,只有\(\tau\)

这是因为 \(\phi\) 是一个随机变量,且服从均匀分布 \(U[-\pi,\pi]\)

对任意随机变量 \(Y=g(\phi)\),期望的定义是:

\[\mathbb{E}[Y]=\int_{-\infty}^\infty g(\phi)f_\phi(\phi)d\phi \]

其中 \(f_\phi(\phi)\) 是 \(\phi\) 的概率密度函数(PDF)

\[本题中Y=\frac{A^2}{2}\cos\left(2\pi f_c(t_1+t_2)+2\phi\right) \]

倍角公式:

\[2\cos A\cos B=\cos\left(A+B\right)+\cos\left(A-B\right) \]


功率谱(功率谱密度Power Spectral Density)

功率谱密度 \(S_X(f)\) 与自相关函数 \(R_X(\tau)\) 构成一对傅里叶变换(双向对应):

\[S_X(f)=\int_{-\infty}^{\infty}R_X(\tau)e^{-j2\pi f\tau}d\tau \]

\[R_X(\tau)=\int_{-\infty}^{\infty}S_X(f)e^{j2\pi f\tau}df \]

性质:

非负:

\[S_X(f)\ge 0,\ \forall f \]

偶函数:

\[S_X(-f)=S_X(f) \]

均方值 = 总平均功率

\[\overline{X^2(t)}=R_X(0)=\int_{-\infty}^{\infty}S_X(f)df \]

功率谱的三种形态

随机信号的 PSD 可能是:

  • 连续的(如热噪声、高斯白噪声经过滤波器 → 连续谱)
  • 离散/冲激的(如周期信号/线谱,含确定正弦分量 → 在 \(\pm f_c\) 处冲激)
  • 混合的(既有连续底噪又有离散谱线,实际通信信号常见)

\[\mathbb{R}_X\left(\tau\right)=\frac{\mathrm{A}^2}{2}\cos\left(2\pi\mathbb{f}_\mathfrak{c}\tau\right) \]

\[\mathrm{S}_{\mathrm{X}}\left(\mathrm{f}\right)\rightleftharpoons\mathrm{R}_{\mathrm{X}}\left(\tau\right)\Rightarrow\frac{\mathrm{A}^{2}}{2}\cos\left(2\pi\mathrm{f}_{\mathrm{c}}\tau\right)\rightleftharpoons\frac{\mathrm{A}^{2}}{4}\delta\left(\mathrm{f}-\mathrm{f}_{\mathrm{c}}\right)+\frac{\mathrm{A}^{2}}{4}\delta\left(\mathrm{f}+\mathrm{f}_{\mathrm{c}}\right) \]

细节补充:

\[e^{j2\pi f_0\tau}\rightleftharpoons\delta(f-f_0) \]

\[\cos(2\pi f_c\tau)=\frac{e^{j2\pi f_c\tau}+e^{-j2\pi f_c\tau}}{2} \]

\[R_X(\tau)=\frac{A^2}{2}\cos(2\pi f_c\tau)=\frac{A^2}{2}\cdot\frac{e^{j2\pi f_c\tau}+e^{-j2\pi f_c\tau}}{2}=\frac{A^2}{4}e^{j2\pi f_c\tau}+\frac{A^2}{4}e^{-j2\pi f_c\tau} \]


\[\begin{aligned}\mathrm{R_Y}\left(\mathrm{t}_1,\mathrm{t}_2\right)&=\mathbb{E}\left[\mathrm{X}\left(\mathrm{t}_1\right)\cos\left(2\pi\mathrm{f}_\mathrm{c}\mathrm{t}_1+\mathrm{\phi}\right)\mathrm{X}\left(\mathrm{t}_2\right)\cos\left(2\pi\mathrm{f}_\mathrm{c}\mathrm{t}_2+\mathrm{\phi}\right)\right]\\&=\mathbb{E}\left[\mathrm{X}\left(\mathrm{t}_1\right)\mathrm{X}\left(\mathrm{t}_2\right)\right]\mathbb{E}\left[\cos\left(2\pi\mathrm{f}_\mathrm{c}\mathrm{t}_1+\mathrm{\phi}\right)\cos\left(2\pi\mathrm{f}_\mathrm{c}\mathrm{t}_2+\mathrm{\phi}\right)\right]\end{aligned} \]

\[\begin{gathered}\mathrm{R_Y}\left(\mathrm{t_1},\mathrm{t_2}\right)=\mathrm{R_X}\left(\mathrm{t_1},\mathrm{t_2}\right)\times\mathbb{E}\left[\frac{1}{2}\cos\left(2\pi\mathrm{f}_\mathrm{c}\left(\mathrm{t}_1-\mathrm{t}_2\right)\right)+\frac{1}{2}\cos\left(2\pi\mathrm{f}_\mathrm{c}\left(\mathrm{t}_1+\mathrm{t}_2\right)+2\mathrm{\phi}\right)\right]\end{gathered} \]

变量是Φ,并且cos函数一个周期内求导为0,所以可以变化为:

\[\mathrm{R_Y}\left(\mathrm{t_1},\mathrm{t_2}\right)=\frac{1}{2}\mathrm{R_X}\left(\mathrm{t_1},\mathrm{t_2}\right)\cos\left(2\pi\mathrm{f_c}\left(\mathrm{t_1}-\mathrm{t_2}\right)\right) \]

\[\mathrm{R}_{\mathrm{Y}}\left(\tau\right)=\frac{1}{2}\mathrm{R}_{\mathrm{X}}\left(\tau\right)\cos\left(2\pi\mathrm{f}_{\mathrm{c}}\tau\right) \]

\[S_{y}\left(\mathrm{f}\right)=\frac{1}{4}S_{X}\left(\mathrm{f}-\mathrm{f}_{c}\right)+\frac{1}{4}S_{X}\left(\mathrm{f}+\mathrm{f}_{c}\right) \]

这里就是调制,在 线性调制导致的频谱搬移,此外频域搬运,功率谱密度值不会发生变化


因为这里T代表周期,所以x(t)是一个周期信号,周期函数的定义式:

\[\mathrm{X\left(t\right)=\sum_{n=-\infty}^\infty x_ne^{j\frac{2\pi}{T}nt}}(这个X(t)代表周期函数而不是题目中的方程) \]

傅里叶系数只在一个周期内计算,所以这里可以省去KT:

\[\mathrm{x_{n}=\frac{1}{T}\int_{0}^{T}X\left(t\right)e^{-j\frac{2\pi}{T}nt}dt=\frac{1}{T}\int_{0}^{T}\delta\left(t-\vartheta\right)e^{-j\frac{2\pi}{T}nt}dt=\frac{1}{T}e^{-j\frac{2\pi}{T}n\vartheta}}(系数计算是题目中的方程X(t)) \]

冲激函数仅仅只在0点有值(积分为1,其他地方均为0), 所以该积分,仅仅在t=θ处存在!并且积分为1,代入周期函数表达式:

\[\mathrm{X}\left(\mathrm{t}\right)=\frac{1}{\mathrm{T}}\sum_{\mathrm{n}=-\infty}^\infty e^{-\mathrm{j}\frac{2\pi}{\mathrm{T}}\mathrm{n}\vartheta}e^{\mathrm{j}\frac{2\pi}{\mathrm{T}}\mathrm{n}t} \]

这里的自相关函数需要共轭,理解:是因为当t1等于t2时,当计算一个复数和它自己的“乘积”时,如果不取共轭,结果会变成一个复数(带有 j 的项),这在物理上无法代表“相似度”或“能量”

\[\mathrm{R}_{\mathrm{X}}\left(\mathrm{t}_1,\mathrm{t}_2\right)=\mathbb{E}\left[\mathrm{X}\left(\mathrm{t}_1\right)\mathrm{X}^*\left(\mathrm{t}_2\right)\right] \]

\[=\mathbb{E}\left[\left\{\frac{1}{\mathrm{T}}\sum_{\mathrm{n}=-\infty}^{\infty}e^{-\mathrm{j}\frac{2\pi}{\mathrm{T}}\mathrm{n}\vartheta}e^{\mathrm{j}\frac{2\pi}{\mathrm{T}}\mathrm{n}\mathrm{t}_{1}}\right\}\left\{\frac{1}{\mathrm{T}}\sum_{\mathrm{m}=-\infty}^{\infty}e^{+\mathrm{j}\frac{2\pi}{\mathrm{T}}\mathrm{m}\vartheta}e^{-\mathrm{j}\frac{2\pi}{\mathrm{T}}\mathrm{m}\mathrm{t}_{2}}\right\}\right] \]

\[R_X(t_1,t_2)=\frac{1}{T^2}\sum_{n=-\infty}^\infty\sum_{m=-\infty}^\infty\mathbb{E}\left[e^{-j\frac{2\pi}{T}(n-m)\vartheta}\right]e^{j\frac{2\pi}{T}nt_1}e^{-j\frac{2\pi}{T}mt_2}(注意是θ为变量) \]

n-m必须为0,如果不为0,那就是以一个角速度w转圈一个周期,值肯定为0:

\[e^{-j\frac{2\pi}{T}(n-m)\vartheta}想象成复平面上的一个旋转指针(向量) \]

\[这里的角速度是\omega=\frac{2\pi}{T}(n-m) \]

\[所以:\mathbb{E}\left[e^{-\mathrm{j}\frac{2\pi}{\mathrm{T}}(\mathrm{n}-\mathrm{m})\vartheta}\right]=\frac{1}{\mathrm{T}}\int_{0}^{\mathrm{T}}e^{-\mathrm{j}\frac{2\pi}{\mathrm{T}}(\mathrm{n}-\mathrm{m})\vartheta}\mathrm{d}\vartheta=\begin{cases}1,&\mathrm{n}=\mathrm{m}\\0&\mathrm{elsewhere}&&&\end{cases} \]

\[\mathrm{R_X}\left(\tau\right)=\frac{1}{\mathrm{T^2}}\sum_{n=-\infty}^\infty e^{\mathrm{j}\frac{2\pi}{\mathrm{T}}\mathrm{n}\tau} \]

\[S_{X}\left(\mathrm{f}\right)=\mathcal{F}\left\{\mathrm{R}_{X}\left(\tau\right)\right\}=\frac{1}{\mathrm{T}^{2}}\sum_{\mathrm{n}=-\infty}^{\infty}\delta\left(\mathrm{f}-\frac{\mathrm{n}}{\mathrm{T}}\right) \]

下面的公式中的 t 是时间变量。在我们这个题里,自变量是时间差τ,所以把时间t换成τ是一样的道理。

\[\mathcal{F}\{e^{j2\pi f_0t}\}=\delta(f-f_0),f_0=\frac{n}{T} \]


Transmission of Random Signals Through Linear Systems

随机信号通过线性系统的传输(必考不用想)

WSS(宽平稳)随机信号 X(t)→ 经过 LTI 系统(传递函数/频率响应 H(f))→ 输出 Y(t)

\[S_Y(f)=|H(f)|^2S_X(f) \]

输入功率谱 × 系统“功率增益” = 输出功率谱

∣H(f)∣^2叫功率传输函数(幅度响应的平方)

LTI 系统不改变频谱的“形状结构”,只是按频率加权放大/衰减

\[R_X(\tau)=\int_{-\infty}^\infty S_X(f)e^{j2\pi f\tau}df\\R_X(0)=\int_{-\infty}^\infty S_X(f)df \]

全频带积分功率谱 = 总平均功率:

\[\text{输出平均功率}=E[y^2(t)]=R_y(0)=\int_{-\infty}^\infty S_Y(f)df=\int_{-\infty}^\infty|H(f)|^2S_X(f)df \]


\[Y(t)=X(t)-X(t-T) \]

\[Y(t+\tau)=X(t+\tau)-X(t+\tau-T) \]

\[\begin{aligned} R_Y(\tau) &=\mathbb E\left[ \left(X(t)-X(t-T)\right) \left(X(t+\tau)-X(t+\tau-T)\right) \right]\\ &=\mathbb E[X(t)X(t+\tau)] -\mathbb E[X(t)X(t+\tau-T)]\\ &\quad -\mathbb E[X(t-T)X(t+\tau)] +\mathbb E[X(t-T)X(t+\tau-T)] \end{aligned} \]

\[\begin{aligned} \mathbb E[X(t)X(t+\tau)]&=R_X(\tau)\\ \mathbb E[X(t)X(t+\tau-T)]&=R_X(\tau-T)\\ \mathbb E[X(t-T)X(t+\tau)]&=R_X(\tau+T)\\ \mathbb E[X(t-T)X(t+\tau-T)]&=R_X(\tau) \end{aligned} \]

\[所以:R_Y(\tau)=2R_X(\tau)-R_X(\tau-T)-R_X(\tau+T) \]

求功率谱密度;

\[Y(t)=X(t)-X(t-T) \]

\[冲激响应h(t)=\delta(t)-\delta(t-T) \]

\[对应的频率响应:H(f)=1-e^{-j2\pi fT}(第一个是冲激函数对应1,第二个本质是频移) \]

\[S_Y(f)=|H(f)|^2S_X(f) S_Y(f) = \left|1-e^{-j2\pi fT}\right|^2S_X(f) \]

\[\begin{aligned} \left|1-e^{-j2\pi fT}\right|^2 &= \left(1-\cos 2\pi fT\right)^2 + \sin^2 2\pi fT\\ &= 2-2\cos 2\pi fT\\ &= 4\sin^2(\pi fT) \end{aligned} \]

\[z=a+jb\\\ |z|^2=a^2+b^2 \\\ e^{-j\theta}=\cos\theta-j\sin\theta \\\ 1-e^{-j\theta} = 1-\cos\theta+j\sin\theta \\\ \left|1-e^{-j\theta}\right|^2 = (1-\cos\theta)^2+\sin^2\theta \\\ θ=2π⋅f⋅t \\\ ω=2πf \]


高斯过程

任意挑几个时刻的样本 {X(t1),X(t2),…,X(tn)},它们联合高斯分布(联合正态)。

→ 只要知道均值和自相关(协方差),整个过程统计特性就完全确定。

白高斯过程(White Gaussian Process)

\[S_X(f)=\frac{\eta}{2}\quad(\text{对所有 }f\text{ 常数}) \]

\[η是单边噪声功率谱密度(PSD)常用记号(通信里常写 N_0/2) \]

\[\text{除以2 是因为双边谱(正负频率各一半),总功率}=\int_{-\infty}^{\infty}\frac{\eta}{2}df=\infty\text{(理想白噪声功率无限大,实际是近似模型)} \]

\[R_X(\tau)=\frac{\eta}{2}\delta(\tau) \]

这里也说明了白噪声 = 时刻之间完全无关、纯随机、无记忆:

τ不等于0(说明是两个时间点)RX(τ)=0说明不同时刻互不相关!

高斯 + 不相关 ⇒独立

τ=0时代表δ(0)→∞,此时有瞬时功率无限(理想化)


因为理想高斯白噪声是不存在的,所以在现实中,我们只能用指定带宽来进行模拟(会存在一定的不同)

\[\mathbb{E}\left[\mathrm{X}^{2}\left(\mathrm{t}\right)\right]=\mathrm{R}_{\chi}\left(0\right)=\int_{-\infty}^{\infty}\mathrm{S}_{\chi}\left(\mathrm{f}\right)\mathrm{d}\mathrm{f}=\frac{\eta}{2}\int_{-\infty}^{\infty}\mathrm{d}\mathrm{f}\to\infty \]

\[\mathbb{E}\left[\mathrm{Y}^{2}\left(\mathrm{t}\right)\right]=\mathrm{R}_{\mathrm{y}}\left(0\right)=\int_{-\infty}^{\infty}\mathrm{S}_{\mathrm{y}}\left(\mathrm{f}\right)\mathrm{d}\mathrm{f}=\frac{\mathrm{\eta}}{2}\int_{-\mathrm{B}}^{\mathrm{B}}\mathrm{d}\mathrm{f}=\mathrm{\eta}\mathrm{B} \]


The Poisson Process

假设某类事件随机发生,\(X(t)\) 表示从时间 0 到时间 \(t\) 为止,事件总共发生了多少次

整数值:计数必然是 0, 1, 2...,所以它是整数值随机过程:

\[X(t)\in\{0,1,2,3,\ldots\} \]

强度 λ:叫作泊松过程的强度或发生率,表示单位时间内的平均发生次数(速率,λ为3次/分钟;那么 10 分钟内,事件发生次数的平均值是30次)

公式里的 X(t1)−X(0)、X(t2)−X(t1)等,代表各个不重叠时间段内新增的事件数

物理含义:过去发生的事件不影响未来,不同时间区间内发生了多少次事件,彼此互不影响。比如“上午来了5个客人”,不会改变“下午来客数”的概率分布;所以泊松过程是增量独立,但是累积值相关(因为后面的数包含了前面的数)

\[\mathrm{p~(k)=Pr~(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},~k=0,1,\ldots}(这里默认观察时间t=1) \]

\[\mathbb{E}\left[X\right]=\lambda~~~~~~\mathrm{Var}\left(X\right)=\lambda \]


泊松分布的增量也会服从泊松分布:

\[时间区间为[s,s+t],事件数量为X(t+s)-X(s) \]

\[因为泊松过程有平稳增量,所以不管 s 是 0、10 还是 100,只要区间长度都是 t,分布都相同: \]

\[X(t+s)-X(s)\overset{d}{\operatorname*{=}}X(t)-X(0) \]

\[所以有\Pr\{X(t+s)-X(s)=k\}=\frac{(\lambda t)^k}{k!}e^{-\lambda t} \]

注意:泊松分布的起始条件是:

\[X (0) = 0,并且一次只能够发生一次事件,同一时间不能发生2次事件 \]


求前两英里没有缺陷的概率:

\[X(l)\sim\operatorname{Poisson}(\lambda l), \lambda=0.1\text{ 个/英里} \]

\[前两英里的长度是:l=2,平均缺陷数是:\lambda l=0.1\times 2=0.2 \]

\[没有缺陷,就是 k=0:P(X(2)=0)=\frac{0.2^0}{0!}e^{-0.2}=e^{-0.2} \]

已知前两英里无缺陷,第三英里也无缺陷的概率:

\[P(B\mid A),泊松过程具有独立增量性质,因此不同区间的缺陷数相互独立。于是: P(B\mid A)=P(B) \]

\[等效于求一英里没有缺陷:\lambda\times1=0.1 \]

\[P(B)=P(X(1)=0)=e^{-0.1} \]


Measuring time t in hours from 9:00 a.m, we are asked to determine

\[\Pr\left\{\mathcal{X}\left(\frac{1}{2}\right)=1,\mathcal{X}\left(\frac{5}{2}\right)=5\right\} \]

\[=\Pr\left\{\mathcal{X}\left(\frac{1}{2}\right)=1,\mathcal{X}\left(\frac{5}{2}\right)-\mathcal{X}\left(\frac{1}{2}\right)=4\right\} \]

\[=\Pr\left\{\mathcal{X}\left(\frac{1}{2}\right)=1\right\}\times\Pr\left\{\mathcal{X}\left(\frac{5}{2}\right)-\mathcal{X}\left(\frac{1}{2}\right)=4\right\} \]

\[=\frac{\left(4\times\frac{1}{2}\right)e^{-4\times\frac{1}{2}}}{1!}\frac{\left(4\times2\right)^{4}e^{-4\times2}}{4!}=0.0155. \]


\[X(1)\sim\operatorname{Poisson}(2) \]

\[1:P(X(1)\le2) = P(X(1)=0)+P(X(1)=1)+P(X(1)=2) \]

\[=e^{-2}+2e^{-2}+\frac{2^2}{2!}e^{-2} \]

\[=e^{-2}+2e^{-2}+2e^{-2}=5e^{-2} \]

\[2:\Pr\{X(1)=1,\ X(2)=3\} \]

\[独立增量性质:X(2)=X(1)+\left[X(2)-X(1)\right] \]

\[P(X(1)=1,\ X(2)=3) = P(X(1)=1) \cdot P(X(2)-X(1)=2) \]

\[P(X(1)=1)=2e^{-2}~~~~~~~~~~ P(X(2)-X(1)=2)=\frac{2^2}{2!}e^{-2}=2e^{-2} \]

\[P(X(1)=1,\ X(2)=3) = (2e^{-2})(2e^{-2})=4e^{-4} \]

\[3:\Pr\{X(1)\ge2\mid X(1)\ge1\} \]

\[P(X(1)\ge2\mid X(1)\ge1) = \frac{P(X(1)\ge2)}{P(X(1)\ge1)} \]

\[P(X(1)\ge1)=1-P(X(1)=0) =1-e^{-2} \]

\[P(X(1)\ge2) = 1-P(X(1)=0)-P(X(1)=1) = 1-e^{-2}-2e^{-2} = 1-3e^{-2} \]

\[P(X(1)\geq2\mid X(1)\geq1)=\frac{1-3e^{-2}}{1-e^{-2}} \]

\[4:\mathbb E[X(t)]=λt=2 \times 2 = 4 \]

\[5:\mathbb E[X^2(1)]: \mathbb E[X^2] = \operatorname{Var}(X)+(\mathbb E[X])^2 \]

\[\mathbb E[X^2(1)] = 2+2^2 = 2+4=6 \]

\[6:\mathbb E[X(1)X(2)]: \]

\[X(2)=X(1)+\left[X(2)-X(1)\right] \]

\[\mathbb E[X(1)X(2)] = \mathbb E[X^2(1)] + \mathbb E\left[ X(1)\left(X(2)-X(1)\right) \right] \]

\[\mathbb E[X(1)X(2)] = 6+2\times2 = 10 \]

posted @ 2026-11-12 20:39  narilove  阅读(8)  评论(0)    收藏  举报