第一章随机过程的一般理论
第一章 随机过程的一般理论
§1.1 随机过程的基本概念
定义1.1 设(Ω, F , P ) 是概率空间,(E , E ) 是可测空间,T 是指标集. 若对任何t ∈T ,有X t :Ω→E ,且X t ∈F ,则称{X t (ω), t ∈T }是(Ω, F , P ) 上的取值于(E , E ) 中的随机过程,在无混淆的情况下简称{X t (ω), t ∈T }为随机过程,称(E , E ) 为状态空间或相空间,称E 中的元素为状态,称T 为时间域. 对每个固定的ω∈Ω,称X t (ω) 为{X t (ω), t ∈T }对应于ω的轨道或现实,对每个固定的t ∈T ,称X t (ω) 为E 值随机元. 有时X t (ω) 也记为
X t (ω) =X t =X (t ) =X (t , ω) .
设T ⊂R ,{F t , t ∈T }是F 中的一族单调增的子σ代数(σ代数流),即
t ∈T s
若X t ∈F t (∀t ∈T ) ,则称{X t , t ∈T }是{F t }适应的随机过程,或适应于{F t }的随机过程. 特别地,若令
F t σ(X s , s ≤t , s ∈T ) σ(∪X (E )) −1
s
s ≤t s ∈T
是由{X s , , s ≤t s ∈T }所生成的σ代数,则{X t , t ∈T }是{F t }适应的随机过程.
当(E , E ) =(R , B 1) 时,称{X t , t ∈T }为实值随机过程;
E ) =(C , B C ) 时,称{X t , t ∈T }为复值随机过程; 当(E ,
E ) =(R , B n ) 时,称{X t , t ∈T }为n 维随机过程; 当(E , n
当E 是可列集(有限集)时,称{X t , t ∈T }为可列(有限)随机过程;
当T =R , R 或[a , b ]时,称{X t , t ∈T }为连续参数的随机过程; +
当T =Z 或Z 时,称{X t , t ∈T }为离散参数的随机过程(随机序列); +
当T =R , (R ) , Z 或(Z ) (n ≥2) 时,称{X t , t ∈T }为随机场. n +n n +n
随机过程的四种类型:
(1)指标集T 离散,状态空间E 离散的随机过程;
(2)指标集T 离散,状态空间E 连续的随机过程;
(3)指标集T 连续,状态空间E 离散的随机过程;
(4)指标集T 连续,状态空间E 连续的随机过程.
然而,以上分类是表面的,更深刻的是按随机过程的概率结构而分类. 例如:马尔可夫(Markov )过程、平稳过程、独立增量过程、二阶矩过程、
正态过程、泊松(Poisson )过程、生灭过程、分枝过程、更新过程、鞅等.
对于随机过程{X t , t ∈T }而言,可以这样设想,有一个作随机游动的质点M ,以X t 表示在时刻t 质点M 的位置,于是{X t , t ∈T }描绘了质点M 所作的随机运动的变化过程,一般把“X t =x ”形象地说成“在时刻t 质点M 处于状态x ”.
定义1.2 设{X t , t ∈T }是概率空间(Ω, F , P ) 上的、以(E , E ) 为状态空间的随机过程,T =R (或R 或直线上的任一区间). 如果∀A ∈E ,有
X (t , ω) ∈A }∈B (T ) ×F {(t , ω) :(t , ω) ∈T ×Ω, +,
则称{X t , t ∈T }是可测的.
A ∈E 有 设{F t , t ∈T }是F 中的一族单调增的子σ代数. 如果∀t ∈T , ,
t ]×ΩX (t , ω) ∈A }∈B ([0, t ])×F , {(u , ω) :(u , ω) ∈[0, , t
则称{X t , t ∈T }关于{F t , t ∈T }循序可测.
命题1.1 设X t :Ω→E ,X t ∈F t (∀t ∈T ) ,{F t , t ∈T }是F 中的一族单调增的子σ代数. 如果{X t , t ∈T }关于{F t , t ∈T }循序可测,则{X t , t ∈T }是可测的.
定义1.3 设{X t , t ∈T }是随机过程,称
F t (x ) P {ω:X t (ω) ≤x }=P {X t ≤x }, x ∈R , ∀t ∈T
为随机过程{X t , t ∈T }的一维分布函数;称
F t 1, t 2(x 1, x 2) P X t 1≤x 1, X t 2≤x 2, x 1, x 2∈R , ∀t 1, t 2∈T {}
为随机过程{X t , t ∈T }的二维分布函数;一般地,称
F t 1, t 2, , t n (x 1, x 2, , x n ) P X t 1≤x 1, X t 2≤x 2, , X t n ≤x n , {}
x 1, x 2, , x n ∈R , ∀t 1, t 2, , t n ∈T
为随机过程{X t , t ∈T }的n 维分布函数;而称
F F t 1, t 2, , t n (x 1, x 2, , x n ) :t 1, t 2, , t n ∈T , n ≥1 {}
为随机过程{X t , t ∈T }的有限维分布函数族.
随机过程{X t , t ∈T }的有限维分布函数族F 具有下列性质:
1. 对∀n ≥1,∀t 1, t 2, , t n ∈T ,及t 1, t 2, , t n 的任意排列t i 1, t i 2, , t i n ,有
F t i , t i 1, , t i n 2(x i 1, x i 2, , x i n ) =F t 1, t 2, , t n (x 1, x 2, , x n ) ; (对称性)
2. 对∀1≤m ≤n ,有
F t 1, t 2, , t m (x 1, x 2, , x m ) =F t 1, t 2, , t m , t m +1, , t n (x 1, x 2, , x m , +∞, , +∞) . (相容性)
注:若知道了随机过程{X t , t ∈T }的有限维分布函数族F , 便知道了这一随机过程中任意有限个随机变量的联合分布,也就可以完全确定它们之间的相互关系。可见,随机过程的有限维分布函数族能够完整地描述随机过程的统计特征。但是在实际问题中,要知道随机过程的有限维分布函数族是不可能的,因此,人们想到了用随机过程的某些数字特征来刻画随机过程。
定义1.4 设{X t , t ∈T }是随机过程,称
m (t ) EX t =∫+∞
−∞x d F t (x ) =∫X t (ω) P (dω), t ∈T Ω
为{X t , t ∈T }的均值函数;称
2 D (t ) DX t =E (X t −m (t )) , t ∈T
为{X t , t ∈T }的方差函数;称
C (s , t ) Cov(X s , X t ) =E (X s −m (s ))(X t −m (t )), s , t ∈T
为{X t , t ∈T }的协方差函数;称
R (s , t ) =E (X s X t ), s , t ∈T
为{X t , t ∈T }的相关函数.
注:若{X t , t ∈T }是复值随机过程,则方差函数的定义为
D (t ) =E X t −m (t ) , t ∈T ; 2协方差函数的定义为
C (s , t ) =E (X s −m (s ))(X t −m (t )), s , t ∈T ;
相关函数的定义为
R (s , t ) =E (X s X t ), s , t ∈T .
性质(1)C (t , t ) =D (t ), t ∈T ;
(2)C (s , t ) =R (s , t ) −m (s ) m (t ), s , t ∈T ;
(3)若m (t ) ≡0,则 C (s , t ) =R (s , t ), s , t ∈T .