应用随机过程-综述

--WORD格式--可编辑-----HHaarrbbiinnIInnssttiittuutteeooffTTeecchhnnoollooggyy课课程程设设计计（（论论文文））课程名称：应用随机过程设计题目：综述院系：电子与信息工程学院班级：09硕通信一班设计者：学号：指导教师：田波平设计时间：2009-11至2009-12哈尔滨工业大学--WORD格式--可编辑-----哈尔滨工业大学课程设计任务书姓名：院（系）：电子与信息工程学院专业：信息与通信工程班号：09硕通信一班任务起至日期：2009年11月12日至2009年12月20日课程设计题目：综述——特征函数在随机过程研究中的作用与意义已知技术参数和设计要求：1．已知特征函数的基本定义。2．总结特征函数在随机过程研究中的作用和意义。工作量：1.查找相关的资料，对特征函数的基本定义进行一定的了解。2.查阅相关的文献，理解特征函数的应用。3.对相关的文献进行总结，归纳出特征函数在随机过程研究中的作用和意义。--WORD格式--可编辑-----工作计划安排：1.2009-11-12~2009-11-31：查找相关的资料，对特征函数的基本定义进行一定的了解2.2009-12-1~2009-12-20：对相关的文献进行总结，归纳出特征函数在随机过程研究中的作用和意义。同组设计者及分工：无指导教师签字___________________年月日教研室主任意见：教研室主任签字___________________年月日--WORD格式--可编辑-----特征函数在随机过程研究中的作用与意义1.特征函数的定义在介绍特征函数在随机过程研究中的作用和意义之前，首先介绍一下特征函数的定义。特征函数是一个统计平均值，它是由随机变量X组成的新的随机变量jXe的数学期望，记为：()()jXEe（1）当X为连续随机变量时，则X的特征函数可表示成()()iXixEefxedx（2）其中()fx为X的概率密度函数。对于随机过程的特征函数的定义与随机变量的特征函数的定义一致。对任意时刻t,随机过程的一维特征函数为：(,)[](,)iXtixXtEefxtedx（3）2.特征函数的性质以下本文不加证明的给出特征函数的几个性质：(1)|()|(0)1；(2)共轭对称性()()；(3)特征函数()在区间(,)上一致连续；(4)设随机变量YaXb，其中,ab是常数，则()()ibYXea；其中(),()XY分别表示随机变量,XY的特征函数。上式对于随机过程同样适用。(5)设随机变量,XY相互独立，又ZXY，则()()()ZXY；此式表示两个相互独立随机变量之和的特征函数等于各自特征函数的乘积。3.特征函数在随机过程研究中的作用与意义由于特征函数在随机过程中和随机变量中的定义是一致的，仅是将X变为X(t),将概率密度函数也做相应的变化即可。故本文为方便起见，将随机过程和随机变量的特征函数的作用与意义做统一的讨论。3.1利用特征函数求随机过程的概率密度--WORD格式--可编辑-----根据特征函数的定义，特征函数与概率密度有类似傅里叶变换的关系，即()()ixXfxedx（4）12jxXXfxedx（5）这里需要注意的是，特征函数与概率密度的之间的关系与傅里叶变换略有不同，指数项差一负号。在随机过程的研究过程中，经常会利用已知的随机过程12(),XtXt的概率密度函数1122(,),,fxtfxt，求解它们某种特定组合的概率密度函数。通常我们的做法是由已知的概率密度函数，通过函数变换的形式求解，求解的过程很复杂。但是，如果利用特征函数的性质以及它与概率密度之间的关系就很容易求解上述问题了。以下用一个例子来说明这个过程。已知随机过程12(),XtXt为相互独立的高斯随机过程，数学期望为0，方差为1，求12()()YtXtXt的概率密度。已知数学期望为0，方差为1的高斯过程的概率密度为221,2xXfxte（6）利用特征函数与概率密度之间类傅里叶变换的关系，可以很容易的求得12(),XtXt的特征函数2112,jxXXfxtedxe，2222,jxXXfxtedxe（7）利用特征函数的性质（5）212YXXe再次利用特征函数与概率密度之间类傅里叶变换的关系，可得Y的概率密度2411,22yjyYYfytede（8）由上面的求解过程可见，利用特征函数求解比起直接求两个随机过程之和的概率密度要简单的多。以上就简要介绍了特征函数在求解随机过程的概率密度时的作用。利用特征函数可以很方便的对某些随机过程的特定组合的概率进行求解。3.2离散状况下的特征函数在求解分布函数中的应用受傅立叶变换物理意义的启发,得到基于坐标分解的特征函数的新解释。离散情况下,特征函数的新解释:可以看作是以kjxe(k)为基的可列无穷维空间下的坐标分解,第k维的坐标值为kp。则--WORD格式--可编辑-----kjxkkpe（9）12jkkped（10）其中kp可以看作是以jked(t)为基的实数势无穷维空间下的坐标分解，12是在基jxed下的坐标值。上述新解释在求解离散随机过程的概率分布时有非常重要的应用。下面以一个例子来说明：例如求下列各随机变量ζ的概率分布,已知其特征函数分别为:(1)cos(2)2cos由反演公式可解决此问题,即利用公式21121lim2TjxjxTTeeFxFxdj，但计算过程比较繁杂。如果利用本文提出的新解释去求这个问题就非常简单，现用此法求解。分析:只要将特征函数进行坐标分解即可,可以看作是以jke(k)为基的可列无穷维空间下的坐标分解,第k维的坐标值为kp,惟一性定理可知kp即为概率分布。解：(1)111111cos11222iiiiiieeeePxePxe由惟一性定理可知,它的概率分布惟一,P(ζ=1)=0.5,P(ζ=-1)=0.5,即ζ所求的概率分布。(2)22202021cos2111cos0222244iiiiiieeePxePxePxe由惟一性定理可知,它的概率分布惟一，P(ζ=0)=0.5,P(ζ=2)=0.125,P(ζ=-2)=0.25，即为ζ所求的概率分布。可见，基于坐标分解的特征函数的新解释能加深我们对特征函数的理解,而且能使特征函数相关的求解问题化繁为简。3.3利用特征函数求解随机过程的矩函数特征函数与矩函数是一一对应的，因此特征函数也称为矩生成函数。设随机变量X的n阶原点矩存在，则它的特征函数可以微分n次，且有0,nnXnnXndEXxfxtjd（11）这是因为，当对特征函数求n阶导数时可得00,nXnnjxnnnnXXndjxefxdxjxfxtjEXd（12）--WORD格式--可编辑-----在随机过程的研究过程中，更多的时候我们需要研究的是随机过程的统计特性，如随机过程的各阶矩。如果利用矩函数的定义直接求解，则需要进行大量的积分过程，求解过程将相当复杂，。但是如果利用上述特征函数与矩函数之间的关系来求解，问题就可以得到很大的简化。以下通过一个例子来简要说明这种求解过程。例如，求解数学期望为0的高斯随机过程Xt的各阶矩。易得数学期望为0，方差为2的高斯过程Xt的概率密度函数为2221.2xXfxte由Xt的概率密度求特征函数222,jxXXfxtedxe再利用上面介绍的特征函数与矩函数的关系可得222200EXtje2222222222220EXtjee继续可求出各阶矩1351,0nnnnEXtn为偶数，为奇数由上述的例子可以看出，利用特征函数求解随机过程的矩函数的确比较方便，它省去了大量的积分过程。4.结论上面简要介绍了特征函数在随机过程研究中的应用，利用特征函数可以求解复杂的随机过程的概率分布问题，以及随机过程的矩函数。同时根据特征函数的新的解释，可以应用它来求解离散型随机过程或随机变量的分布函数。利用特征函数的定义及性质，可以将很多原本复杂的问题进行简化，可以极大的方便我们对于随机过程的研究。