随机过程

研究生教学用书
随机过程及其应用
第三版
刘次华　编著
高等教育出版社
内容提要
　　本书为研究生课程“ 随机过程” 的入门教材，其主要内容有：随机过程的概念、泊松过程、马尔可夫链、连续时间的马尔可夫链、平稳随机过程，平稳随机过程的谱分析、随机微分方程、时间序列分析等。本书除介绍最基本的理论外，取材突出了实用较多的马尔可夫链和平稳过程，叙述尽可能的通俗，例题、习题适当增加并结合实际应用。每章后面附有习题，书后附有习题解答，可供读者参考。本书可供理工科各专业、经济管理专业的硕士研究生作为教材或参考书，也可供有关教学和工程技术人员参考。
　图书在版编目（ＣＩＰ）数据　随机过程及其应用／刘次华编著． — ３版． —北京：高等教育出版社，２００４．７　ＩＳＢＮ７－０４－０１４４２７－１　Ⅰ．随．．．　Ⅱ．刘．．．　Ⅲ．随机过程－研究生－教材 Ⅳ．Ｏ２１１．６　中国版本图书馆ＣＩＰ数据核字（２００４）第０５４８５７号策划编辑　徐　可　责任编辑　高尚华　封面设计　李卫青　责任绘图　尹文军版式设计　史新薇　责任校对　朱惠芳　责任印制　
出版发行　高等教育出版社　　　　　　　　购书热线　０１０－６４０５４５８８社　　址　北京市西城区德外大街４号邮政编码　１０００１１总　　机　０１０－８２０２８８９９经　　销　新华书店北京发行所印　　刷　版　　次　１９９６年７月第１版开　　本　７８７× ９６０　１／１６印　　张　１５．５字　　数　２８００００　　　　　　　年　月第３版印　　次　　年　月第　次印刷定　　价　１９．７０元免费咨询　８００－８１０－０５９８网　　址　ｈｔｔｐ：／／ｗｗｗ．ｈｅｐ．ｅｄｕ．ｃｎｈｔｔｐ：／／ｗｗｗ．ｈｅｐ．ｃｏｍ．ｃｎ
本书如有缺页、倒页、脱页等质量问题，请到所购图书销售部门联系调换。
版权所有　侵权必究
前　　言
随机过程理论在物理、生物、工程、经济和管理等方面都得到了广泛应用，已成为近代科技工作者谋求掌握的一个理论工具。目前，有条件的高等学校在本科生或研究生中开设了随机过程课程。本书是编者根据多年的教学实践，在华中科技大学出版社出版的《随机过程》（第二版）的基础上，充实和修改而编成的。本书在工科大学生已有的数学知识基础上，采用为工科学生和工程技术人员易于接受的叙述方式，较全面地介绍了现代科学技术中常见的几种重要的随机过程。全书分为四个部分：预备知识和基本概念（第一章、第二章），泊松过程（第三章），马尔可夫过程（第四章、第五章），平稳随机过程（第六章、第七章、第八章）。第二、三、四部分相互独立，读者可根据专业的需要，对内容进行适当取舍。本书是为具有高等数学、线性代数、概率论等知识的高等理工科院校本科生、研究生或工程技术人员学习随机过程编写的，它既可作为教材或教学参考书，也可作为需要随机过程知识的读者的自学读本。本书的编写得到黄志远教授的支持与鼓励。高等教育出版社及编辑徐可同志对本书的出版给予了大力的支持和帮助，在此谨表示衷心感谢。由于编者水平有限，书中的缺点在所难免，恳请读者批评指正。编　者
２００３年１２月于华中科技大学
目　　录
第一章　预备知识 ………………………………………………………………… １ §１．１　概率空间 …………………………………………………………… １ §１．２　随机变量及其分布 ………………………………………………… ２ §１．３　随机变量的数字特征 ……………………………………………… ５ §１．４　特征函数、母函数和拉氏变换……………………………………… ７ §１．５　ｎ维正态分布 ……………………………………………………… １２ §１．６　条件期望 …………………………………………………………… １２第二章　随机过程的概念与基本类型 ………………………………………… １７ §２．１　随机过程的基本概念 ……………………………………………… １７ §２．２　随机过程的分布律和数字特征 …………………………………… １８ §２．３　复随机过程 ………………………………………………………… ２２ §２．４　几种重要的随机过程 ……………………………………………… ２４习题二 ……………………………………………………………………… ２８第三章　泊松过程 ……………………………………………………………… ３０ §３．１　泊松过程的定义和例子 …………………………………………… ３０ §３．２　泊松过程的基本性质 ……………………………………………… ３３ §３．３　非齐次泊松过程 …………………………………………………… ４０ §３．４　复合泊松过程 ……………………………………………………… ４３ §３．５　泊松过程的应用 …………………………………………………… ４５习题三 ……………………………………………………………………… ４６第四章　马尔可夫链 …………………………………………………………… ４８ §４．１　马尔可夫链的概念及转移概率 …………………………………… ４８ §４．２　马尔可夫链的状态分类 …………………………………………… ５６ §４．３　状态空间的分解 …………………………………………………… ６５ §４．４　ｐ２ｉｊ的渐近性质与平稳分布 ……………………………………… ７ §４．５　嵌入马尔可夫链 …………………………………………………… ８０习题四 ……………………………………………………………………… ８３第五章　连续时间的马尔可夫链 ……………………………………………… ８７ §５．１　连续时间的马尔可夫链 …………………………………………… ８７
（ｎ）
・Ⅱ・
目　　录
§５．２　科尔莫戈罗夫微分方程 …………………………………………… ９０ §５．３　生灭过程 …………………………………………………………… ９８ §５．４　布朗运动及其基本性质 ………………………………………… １０３ §５．５　布朗运动的最大值变量及反正弦律 …………………………… １０５ §５．６　布朗运动的几种变化 …………………………………………… １０８ §５．７　向后与向前扩散方程 …………………………………………… １１１习题五……………………………………………………………………… １１３第六章　平稳随机过程 ………………………………………………………… １１５ §６．１　平稳过程的概念与例子 ………………………………………… １１５ §６．２　联合平稳过程及相关函数的性质 ……………………………… １２０ §６．３　随机分析 ………………………………………………………… １２３ §６．４　平稳过程的各态历经性 ………………………………………… １３２习题六……………………………………………………………………… １４０第七章　平稳过程的谱分析 …………………………………………………… １４３ §７．１　平稳过程的谱密度 ……………………………………………… １４３ §７．２　谱密度的性质 …………………………………………………… １４６ §７．３　窄带过程及白噪声过程的功率谱密度 ………………………… １５２ §７．４　联合平稳过程的互谱密度 ……………………………………… １５４ §７．５　平稳过程通过线性系统的分析 ………………………………… １５８习题七……………………………………………………………………… １６８第八章　时间序列分析 ………………………………………………………… １７１ §８．１　ＡＲＭＡ模型 ……………………………………………………… １７１ §８．２　模型的识别 ……………………………………………………… １７３ §８．３　模型阶数的确定 ………………………………………………… １８４ §８．４　模型参数的估计 ………………………………………………… １８７ §８．５　模型的检验 ……………………………………………………… １９０ §８．６　平稳时间序列预报 ……………………………………………… １９１ §８．７　非平稳时间序列及其预报 ……………………………………… ２０１习题八……………………………………………………………………… ２０４第九章　习题解析 ……………………………………………………………… ２０６参考书目 ………………………………………………………………………… ２４１
第一章　预备知识
§ １．１　概率空间
随机试验是概率论的基本概念，随机试验不同于普通的试验，其试验的结果事先不能准确地预言，且具有如下的三个特性：（１）可以在相同的条件下重复进行；（２）每次试验的结果不止一个，但预先知道试验的所有可能的结果；（３）每次试验前不能确定哪个结果会出现．随机试验所有可能结果组成的集合称为这个试验的样本空间或基本事件空间，记为 Ω． Ω 中的元素ｅ称为样本点或基本事件， Ω 的子集Ａ称为事件，样本空间 Ω 称为必然事件，空集于事件．在实际问题中，我们不是对所有的事件（样本空间 Ω 的所有子集）都感兴趣，而是关心某些事件（Ω 的某些子集）及其发生的可能性大小（概率），从而导致 σ代数Ｆ和Ｆ上的概率的概念．定义１．１　设 Ω是一个集合，Ｆ是 Ω 的某些子集组成的集合族．如果（１） Ω∈Ｆ；（２）若Ａ∈Ｆ，则珚Ａ＝ Ω＼Ａ∈Ｆ；
∞
称为不可能事件．
由于事件是集合，故集合的运算（并、交、差、上极限、下极限、极限等）都适用
（３）若Ａｎ＝１，２， …则ｎ ∈Ｆ，
∪
ｎ＝１
Ａｎ ∈Ｆ，
则称Ｆ为 σ代数（事件域）．（Ω，Ｆ）称为可测空间，Ｆ中的元素称为事件．由定义易知：（４） ∈Ｆ；

ｎ ∞
（５）若Ａ，Ｂ∈Ｆ，则Ａ＼Ｂ∈Ｆ；（６）若Ａｉ＝１，２， …则ｉ ∈Ｆ，
∪
ｉ＝１
Ａｉ， ∩Ａｉ ∈Ｆ．
ｉ＝１
定义１．２　设（Ω，Ｆ）是可测空间，Ｐ（・）是定义在Ｆ上的实值函数．如果（１）对任意Ａ∈Ｆ，０≤ Ｐ（Ａ）≤１；（２）Ｐ（Ω ）＝１；（３）对两两互不相容事件ＡＡ２， …（当ｉ ≠ｊ时，Ａ１，ｉ∩Ａｊ＝
∞ ∞
），有
∪
ｉ＝１
Ａｉ＝
（Ａ）， ∑Ｐ
ｉｉ＝１
则称Ｐ是（Ω，Ｆ）上的概率，（Ω，Ｆ，Ｐ）称为概率空间，Ｐ（Ａ）为事件Ａ的概率．由定义易知：Ｐ（）＝０；（４）若Ａ，Ｂ∈Ｆ，Ａ＜Ｂ，则Ｐ（Ｂ＼Ａ）＝Ｐ（Ｂ）－Ｐ（Ａ），即概率具有单调性；（５）设Ａｎ＝１，２， …则ｎ ∈Ｆ，
∞
ＰｌｉｍＰ（Ａ）＝ｎ
ｎ→ ∞
∪Ａ
ｎ＝１ ∞
，若Ａ１＜Ａ２＜ …，，若Ａ１＝Ａ２＝ …．
∩Ａ
ｎ＝１
定义１．３　设（Ω，Ｆ，Ｐ）是概率空间，Ｇ＜Ｆ，如果对任意ＡＡ …，Ａｎ ∈Ｇ，１，２，ｎ＝１，２， …有

∞ ｎ
Ｐ则称Ｇ为独立事件族．
∩
ｉ＝１
Ａｉ＝
（Ａ）， ∏Ｐ
ｉｉ＝１
§ １．２　随机变量及其分布
随机变量是概率论的主要研究对象，随机变量的统计规律用分布函数来描述．定义１．４　设（Ω，Ｆ，Ｐ）是概率空间．Ｘ＝Ｘ（ｅ）是定义在 Ω 上的实函数，如果对任意实数ｘ，｛ｅ：Ｘ（ｅ）≤ｘ｝∈Ｆ，则称Ｘ（ｅ）是Ｆ上的随机变量，简记为随机变量Ｘ，称Ｆ（ｘ）＝Ｐ（ｅ：Ｘ（ｅ）≤ｘ），　－∞＜ｘ＜∞ 为随机变量Ｘ的分布函数．分布函数Ｆ（ｘ）具有下列性质：（１）Ｆ（ｘ）是非降函数：即当ｘ有Ｆ（ｘ（ｘ）；１＜ｘ２时，１）≤ Ｆ２（２）Ｆ（－∞）＝ｌｉｍＦ（ｘ）＝０，Ｆ（ ∞）＝ｌｉｍＦ（ｘ）＝１；
ｘ→ － ∞ ｘ→ ∞
§ １．２　随机变量及其分布
（３）Ｆ（ｘ）右连续，即Ｆ（ｘ＋０）＝Ｆ（ｘ）．可以证明，定义在Ｒ＝（－∞， ∞）上实值函数Ｆ（ｘ），若具有上述三个性质，必存在一个概率空间（Ω，Ｆ，Ｐ）及其上的随机变量Ｘ，其分布函数是Ｆ（ｘ）．在应用中，常见的随机变量有两种类型：离散型随机变量和连续型随机变量．离散型随机变量Ｘ的概率分布用分布列描述：ｐ（Ｘ＝ｘ），　ｋ＝１，２， …，ｋ＝Ｐｋ其分布函数Ｆ（ｘ）＝
ｘ ≤ｘｋ
∑ ｐ．
ｋ
连续型随机变量Ｘ的概率分布用概率密度ｆ（ｘ）描述，其分布函数Ｆ（ｘ）＝常见随机变量的分布参见表１－１．下面我们讨论ｎ维随机变量及其概率分布．定义１．５　设（Ω，Ｆ，Ｐ）是概率空间，Ｘ＝Ｘ（ｅ）＝（Ｘ（ｅ）， …，Ｘｅ））是定１ｎ（义在 Ω 上的ｎ维空间Ｒ中取值的向量函数．如果对于任意ｘ＝（ｘｘ …，ｘ）１，２，ｎ ∈Ｒ，｛ｅ：Ｘ（ｅ）≤ｘＸｅ） ≤ｘ …，Ｘ（ｅ）≤ ｘ ∈Ｆ，则称Ｘ＝Ｘ（ｅ）为ｎ维１１，２（２，ｎｎ｝随机变量或ｎ维随机向量，称Ｆ（ｘ）＝Ｆ（ｘｘ …，ｘ）１，２，ｎ＝Ｐ（ｅ：Ｘ（ｅ）≤ ｘＸｅ）≤ ｘ …，Ｘ（ｅ）≤ ｘ），１１，２（２，ｎｎｘ＝（ｘｘ …，ｘ）∈Ｒｎ１，２，ｎ为随机变量Ｘ＝（ＸＸ …，Ｘ）的联合分布函数．１，２，ｎ联合分布函数Ｆ（ｘｘ …，ｘ）具有下列性质：１，２，ｎ（１）对于每个变元ｘ（ｉ＝１，２， …，ｎ），Ｆ（ｘｘ …，ｘ）是非降函数；ｉ１，２，ｎ（２）对于每个变元ｘ（ｉ＝１，２， …，ｎ），Ｆ（ｘｘ …，ｘ）是右连续的；ｉ１，２，ｎ（３）对于Ｒｎ中的任意区域（ａｂ …；ａｂ），其中ａｉ＝１， …，ｎ，１，１；ｎ，ｎｉ ≤ｂｉ，Ｐ（ａ …，ａ）１＜Ｘ１ ≤ｂ１，ｎ＜Ｘｎ ≤ｂｎ
ｎｎｎ
ｆ（ｔ）ｄｔ．
－∞
　＝Ｆ（ｂｂ …，ｂ）－ ∑ Ｆ（ｂ …，ｂａｂ …，ｂ）１，２，ｎ１，ｉ－１，ｉ，ｉ＋１，ｎ
ｉ＝１ｎ
ｉ，ｊ＝１ｉ＜ｊ
（ｂ， …，ｂ ∑Ｆ
１ｎ
ｉ－１
，ａｂ …，ｂａｂ …，ｂ）＋… ｉ，ｉ＋１，ｊ－１，ｊ，ｊ＋１，ｎ
＋（－１）Ｆ（ａａ …，ａ）≥０；１，２，ｎ（４）ｌｉｍＦ（ｘｘ …，ｘ …，ｘ）＝０，ｉ＝１，２， …，ｎ，１，２，ｉ，ｎ

ｘ →－ ∞ ｉ
ｌｉｍ
ｘ，ｘ， …，ｘ → ∞ １２ｎ
Ｆ（ｘｘ …，ｘ）＝１．１，２，ｎ
可以证明，对于定义在Ｒｎ上具有上述性质的实函数Ｆ（ｘｘ …，ｘ１，２，ｎ），（ｘｘ …，ｘ）∈Ｒ，必存在一个概率空间（Ω，Ｆ，Ｐ）及其上的ｎ维随机变量１，２，ｎＸ＝（ＸＸ …，Ｘ），其联合分布函数为Ｆ（ｘｘ …，ｘ），（ｘｘ …，ｘ）∈ １，２，ｎ１，２，ｎ１，２，ｎＲ．在应用中，常见的ｎ维随机变量也有两种类型：离散型和连续型，对于非离散型非连续型随机变量，我们给出一个例子．例１．１　设随机变量Ｘ的绝对值不大于１；Ｐ｛Ｘ＝－１｝＝１，Ｐ｛Ｘ＝１｝＝８
ｎｎ
１；在事件｛－１＜Ｘ＜１｝出现的条件下，Ｘ在（－１，１）内的任一子区间上的条件４概率与该子区间长度成正比．试求随机变量Ｘ的分布函数Ｆ（ｘ）＝Ｐ｛Ｘ≤ｘ｝．解　由条件知，当ｘ＜－１时Ｆ（ｘ）＝０；Ｆ（－１）＝Ｐ｛－１＜Ｘ＜１｝＝１－１；８
１１５－＝．８４８ｘ＋１．２
故在｛－１＜Ｘ＜１｝条件下，事件｛－１＜Ｘ≤ ｘ｝的条件概率为Ｐ｛－１＜Ｘ≤ ｘ｜－１＜Ｘ＜１｝＝于是，对于－１＜ｘ＜１，有Ｐ｛－１＜Ｘ≤ｘ｝＝Ｐ｛－１＜Ｘ≤ｘ，－１＜Ｘ＜１｝＝Ｐ｛－１＜Ｘ≤ｘ｜－１＜Ｘ＜１｝　・Ｐ｛－１＜Ｘ＜１｝＝ｘ＋１５５（ｘ＋１） × ＝；２８１６
Ｆ（ｘ）＝Ｐ（Ｘ≤－１）＋Ｐ（－１＜Ｘ≤ ｘ）＝１５ｘ＋５５ｘ＋７＋＝．８１６１６０，Ｆ（ｘ）＝ｘ＜－１，
对于ｘ≥１，有Ｆ（ｘ）＝１．从而５ｘ＋７，－１≤ ｘ＜１，１６１，型随机变量，则称Ｘ是离散型随机向量．对于离散型随机向量Ｘ＝（ＸＸ …，Ｘ），其联合分布列为１，２，ｎｘ≥１．
若随机向量Ｘ＝（ＸＸ …，Ｘｉ＝１，２， …，ｎ都是离散１，２，ｎ）的每个分量Ｘｉ，
§ １．３　随机变量的数字特征
ｐｘ
， … ，ｘｎ
＝Ｐ（Ｘ …，Ｘｎ＝ｘ），１＝ｘ１，ｎ
其中ｘＩｉ＝１，２， …，ｎ．Ｘ的联合分布函数ｉ ∈Ｉｉ，ｉ是离散集，Ｆ（ｙｙ …，ｙ）＝１，２，ｎ
ｎｘ ≤ｙｉｉｉ＝１，… ，ｎ
ｐｘ
， …，ｘｎ
（ｙｙ …，ｙ），（ｙｙ …，ｙ）∈Ｒ．１，２，ｎ１，２，ｎ
若存在定义在Ｒ上的非负函数ｆ（ｘｘ …，ｘ），对于任意（ｙｙ …，ｙ）１，２，ｎ１，２，ｎ ∈Ｒｎ，随机向量Ｘ＝（ＸＸ …，Ｘｎ）的联合分布函数１，２，Ｆ（ｙｙ …，ｙ）＝１，２，ｎ

ｙ１ｙｎ－∞
∫ … ∫
－∞
ｆ（ｘｘ …，ｘ）ｄｘｘ１，２，ｎ１ …ｄｎ，
则称Ｘ是连续型随机向量，ｆ（ｘｘ …，ｘ）称为Ｘ的联合概率密度．１，２，ｎ定义１．６　设｛Ｘｔ ∈Ｔ｝是一族随机变量，若对于任意ｎ≥２和ｔｔ …，ｔ，１，２，ｔ，ｘｘ …，ｘ有ｎ ∈Ｔ１，２，ｎ ∈Ｒ，

ｎ
Ｐ（ＸＸ …，Ｘ）＝ｔ ≤ｘ１，ｔ ≤ｘ２，ｔ ≤ｘｎ
１２ｎ
（Ｘ ≤ ｘ）， ∏Ｐ
ｉ＝１ｔｉｉ
（１．１）
则称｛Ｘｔ ∈Ｔ｝是独立的．ｔ，如果｛Ｘｔ ∈Ｔ｝是一族独立的离散型随机变量，（１．１）式等价于ｔ，

ｎ
Ｐ（ＸＸ …，Ｘ）＝ｔ＝ｘ１，ｔ＝ｘ２，ｔ＝ｘｎ
１２ｎ
（Ｘ＝ｘ）， ∏Ｐ
ｉ＝１ｔｉｉ
其中ｘｉ＝１，２， …，ｎ．ｉ是Ｘｔ是任意可能值，
ｉ
如果｛Ｘｔ ∈Ｔ｝是一族独立的连续型随机变量，（１．１）式等价于ｔ，

ｎ
ｆｘｘ …，ｘ＝ｔ， …，ｔ（１，２，ｎ）
１ｎ１ｎ１
∏ ｆ（ｘ），
ｉ＝１ｔｉｉ２ｎ
其中ｆｘｘ …，ｘ）是随机向量（ＸＸ …，Ｘｔ，… ，ｔ（１，２，ｎｔ，ｔ，ｔ）的联合概率密度，ｆｘ）是随机变量Ｘｉ＝１，２， …，ｎ．ｔ（ｉｔ的概率密度，

ｉｉ
独立性是概率中的重要概念．在实际问题中，独立性的判断通常是根据经验或具体情况来决定的．
§ １．３　随机变量的数字特征
随机变量的概率分布完全由其分布函数描述，但是如何确定分布函数却是相当麻烦的．在实际问题中，我们有时只需要知道随机变量的某些特征值就够了．定义１．７　设随机变量Ｘ的分布函数为Ｆ（ｘ），若称
｜ｘ｜ｄＦ（ｘ）＜∞，则
－∞
６
ｄ
ＥＸ
ｘｄＦ（ｘ）
－∞
为Ｘ的数学期望或均值．上式右边的积分称为Ｌｅｂｅｓｇｕｅ－Ｓｔｉｅｌｔｊｅｓ积分．若Ｘ是离散型随机变量，分布列ｐ（Ｘ＝ｘ），　ｋ＝１，２， …，ｋ＝Ｐｋ则

∞
ＥＸ＝
∑ ｘｐ．
ｋｋｋ＝１
若Ｘ是连续型随机变量，概率密度为ｆ（ｘ），则ＥＸ＝
ｘｆ（ｘ）ｄｘ，
－∞
随机变量的数学期望是随机变量的取值依概率的平均．
２定义１．８　设Ｘ是随机变量，若ＥＸ＜∞，则称ＤＸ
２Ｅ（Ｘ－ＥＸ）为Ｘ
的方差．随机变量的方差反映随机变量取值的离散程度．定义１．９　设Ｘ，Ｙ是随机变量，ＥＸ＜ ∞，ＥＹ＜∞，则称ＢＸＹ－ＥＸ）（Ｙ－ＥＹ）］为Ｘ、Ｙ的协方差，称 ρ ＸＹ为Ｘ、Ｙ的相关系数．若ρ 则称Ｘ，Ｙ不相关．ＸＹ＝０，相关系数 ρ Ｙ之间的线性相关程度的大小，其特性为：ＸＹ表示Ｘ，（１）｜ ρ ＸＹ｜≤１；（２）｜ ρ 表示Ｘ与Ｙ以概率１线性相关．ＸＹ｜＝１，随机变量的数学期望和方差具有如下性质：（１）若ｎ维随机变量（ＸＸ …，Ｘ（ｘｘ …，１，２，ｎ）的联合分布函数为Ｆ１，２，ｘ），ｇ（ｘｘ …，ｘ）是ｎ维连续函数，则ｎ１，２，ｎＥｇ（ＸＸ …，Ｘ）＝１，２，ｎ
∞ ∞ ２２
Ｅ［（Ｘ
ＢＸＹＤＸＤＹ
∫ … ∫
－∞
－∞
ｇ（ｘｘ …，ｘ）ｄＦ（ｘｘ …，ｘ）；１，２，ｎ１，２，ｎ
（２）Ｅ（ａＸ＋ｂＹ）＝ａＥＸ＋ｂＥＹ，其中ａ，ｂ是常数；（３）若Ｘ、Ｙ独立，则Ｅ（ＸＹ）＝ＥＸＥＹ；（４）若Ｘ、Ｙ独立，则Ｄ（ａＸ＋ｂＹ）＝ａＤＸ＋ｂＤＹ，其中ａ，ｂ是常数；（５）（Ｓｃｈｗａｒｚ不等式）若ＥＸ＜∞，ＥＹ＜∞，则（ＥＸＹ） ≤ＥＸＥＹ；
２２２２２２２
§ １．４　特征函数、母函数和拉氏变换
（６）（单调收敛定理）若０≤ Ｘｎ ↑ Ｘ，则ｌｉｍＥＸＸ；ｎ＝Ｅ
ｎ→ ∞
（７）（Ｆａｔｏｕ引理）若Ｘ０，则ｎ≥ ＥｌｉｍＸｎ ≤ｌｉｍＥ（Ｘ） ≤ｌｉｍＥＸｉｍＸｎｎ ≤Ｅｌｎ．
ｎ→ ∞ ｎ→ ∞ ｎ→ ∞ ｎ→ ∞
有关的证明可参考［５］．
特征函数是研究随机变量分布律的一个重要工具．由于分布律和特征函数之间存在一一对应关系，因此在知道随机变量的特征函数之后，就可以求出它的分布律．用特征函数求分布律比直接求分布律容易得多，而且特征函数具有良好的分析性质．为此，我们首先介绍特征函数．定义１．１０　设随机变量Ｘ的分布函数为Ｆ（ｘ），称ｇ（ｔ）为Ｘ的特征函数．特征函数ｇ（ｔ）是实变量ｔ的复值函数，由于｜ｅ｜＝１，故随机变量的特征函数必然存在．当Ｘ是离散型随机变量，分布列ｐ（Ｘ＝ｘ），　ｋ＝１，２， …，ｋ＝Ｐｋ则
∞ ｉｔｘ
Ｅ（ｅ）＝
ｉｔＸ
ｅｄＦ（ｘ），　－∞＜ｔ＜∞
ｉｔｘ
－∞
ｇ（ｔ）＝
∑ｅ
ｋ＝１
ｉｔｘｋ
ｐｋ．
当Ｘ是连续型随机变量，概率密度为ｆ（ｘ），则ｇ（ｔ）＝
∞ ｉｔｘｅｆ（ｘ）ｄｘ．
－∞
随机变量的特征函数具有下列性质：（１）ｇ（０）＝１，｜ｇ（ｔ）｜≤１，ｇ（－ｔ）＝ｇ（ｔ）．（２）ｇ（ｔ）在（－∞， ∞）上一致连续．

ｎ（３）若随机变量Ｘ的ｎ阶矩ＥＸ存在，则Ｘ的特征函数ｇ（ｔ）可微分ｎ次，
且当ｋ ≤ ｎ时，有ｇ（０）＝ｉＥＸ．（４）ｇ（ｔ）是非负定函数．即对任意正整数ｎ及任意实数ｔｔ …，ｔ１，２，ｎ和复数ｚｚ …，ｚ有１，２，ｎ，

ｎ
（ｋ）
ｋ，ｌ＝１
ｇ（ｔ）ｚｚ珔．ｋ－ｔｌｋｌ ≥０
（５）若ＸＸ …，Ｘｎ是相互独立的随机变量，则Ｘ＝Ｘ１，２，１＋Ｘ２＋ …＋Ｘｎ的特征函数ｇ（ｔ）＝ｇｔ）ｇｔ） …ｇ（ｔ），１（２（ｎ其中ｇ（ｔ）是随机变量Ｘｉ＝１，２， …，ｎ．ｉｉ的特征函数，（６）随机变量的分布函数由其特征函数惟一确定．我们只对（４），（５）进行证明．

ｎｎｎｉ（ｔ－ｔ）Ｘｋｌ
ｋ，ｌ＝１
ｇ（ｔ）ｚｚ珔ｋ－ｔｌｋｌ＝
［ｅ ∑∑Ｅ
ｋ＝１ｌ＝１ｎｎ
］ｚｚ珔ｋｌ
＝Ｅ＝Ｅ所以ｇ（ｔ）是非负定函数．
∑ ∑ｅ
ｋ＝１ｎｌ＝１
ｉｔＸｋ
ｚｅｌｚｋｌ ≥０，
ｉｔＸ
∑ｅ
ｋ＝１
ｉｔＸｋ
ｚｋ
ｉｔＸｉｔＸ１，ｎ也相互独立，因为ＸＸ …，Ｘ所以ｅ …，ｅ１，２，ｎ相互独立，ｉｔＸｉｔ（Ｘ＋ … ＋Ｘ）ｉｔＸｉｔＸ１ｎ＝Ｅ１ …ｅｎ）ｇ（ｔ）＝Ｅｅ＝Ｅｅ（ｅｉｔＸｉｔＸ１…Ｅｎ＝ｇ（＝Ｅｅｅ）…ｇ（ｔ）．１ｔｎ
对于ｎ维随机变量也可以定义特征函数．定义１．１１　设Ｘ＝（ＸＸ …，Ｘｎ）是ｎ维随机变量，ｔ＝（ｔｔ …，ｔ）∈ １，２，１，２，ｎＲ，则称

ｎｎ
ｇ（ｔ）＝ｇ（ｔｔ …，ｔ）＝Ｅｅ１，２，ｎ为Ｘ的特征函数．
ｉｔＸ ′
＝ＥｅｘｐｉｋＸｋ ∑ｔ
ｋ＝１
ｎ维随机变量的特征函数具有类似于一维随机变量的特征函数的性质．例１．２　设Ｘ服从Ｂ（ｎ，ｐ），求Ｘ的特征函数ｇ（ｔ）及ＥＸ、ＥＸ、ＤＸ．解　Ｘ的分布列为

ｋｋｎ－ｋＰ（Ｘ＝ｋ）＝Ｃｑ，ｑ＝１－ｐ，ｋ＝０，１， …，ｎ，ｎｐｎｎ２
ｉｔｋｋｋｎ－ｋｋｉｔｋｎ－ｋｇ（ｔ）＝ ∑ ｅＣ＝∑Ｃｐｅ）ｑｎｐｑｎ（ｋ＝０ｋ＝０
＝（ｐｅ＋ｑ）．由性质知ｄｉｔｎＥＸ＝－ｉｇ ′ （０）＝－ｉ（ｐｅ＋ｑ）ｄｔＥＸ＝（－ｉ）ｇ ″ （０）＝（－ｉ）故

２２２２ｄｉｔｎｐｅ＋ｑ）２（ｄｔ
ｉｔ
＝ｎｐ，
ｔ＝０２２
＝ｎｐｑ＋ｎｐ，
ｔ＝０

２２ＤＸ＝ＥＸ－（ＥＸ）＝ｎｐｑ．
例１．３　设Ｘ～Ｎ（０，１），求Ｘ的特征函数ｇ（ｔ）．解　由于｜ｉｘｅ

ｉｔｘ－２ｘ２
ｇ（ｔ）＝｜＝｜ｘ｜ｅ
－２ｘ２
１２ π
ｉｔ－
２ｘ２
ｄｘ．
－２ｘ２
（１．２）
－∞ ∞
，且
１２ π
２ｘ２
｜ｘ｜ｅ
ｄｘ＜∞，故可对（１．２）式右
－∞
端在积分号下求导，得ｇ ′ （ｔ）＝１２ π
ｉｘｅ
２ｘｉｔｘ－２
ｉｔｘ－
ｄｘ＝ｔ
－∞ ∞ － ∞
ｉ２ π
ｉｔｘ
－ｄｅ
２ｘ２
－∞ ２ｘ２
＝－
ｅ２ π
２ π
ｉｔｘ－
ｄｘ
－∞
＝－ｔｇ（ｔ），于是得微分方程ｇ ′ （ｔ）＋ｔｇ（ｔ）＝０．这是可分离变量方程，有ｄｇ（ｔ）＝－ｔｄｔ．ｇ（ｔ）两边积分得１２ｌｎｇ（ｔ）＝－ｔ＋ｃ，２故得方程的通解为ｇ（ｔ）＝ｅ２

－１２ｔ＋ｃ
由于ｇ（０）＝１，所以ｃ＝０，于是Ｘ的特征函数为ｇ（ｔ）＝ｅ实数，证明Ｙ的特征函数ｇｔ）为Ｙ（

ｉｔｂｇｔ）＝ｅｇａｔ）．Ｙ（Ｘ（ｉｔ（ａＸ＋ｂ）证　ｇｔ）＝Ｅ［ｅ］Ｙ（－２ｔ２
例１．４　设随机变量Ｘ的特征函数为ｇ（ｔ），Ｙ＝ａＸ＋ｂ，其中ａ，ｂ为任意Ｘ
＝Ｅ［ｅ
ｉ（ａｔ）Ｘｉｂｔ
ｅ］＝ｅＥ［ｅ
２
ｉｂｔ
ｉ（ａｔ）Ｘ
］＝ｅｇａｔ）．Ｘ（
２ｔ２
ｉｂｔ
例１．５　设随机变量Ｙ～Ｎ（ａ， σ），求Ｙ的特征函数ｇｔ）．Ｙ（

－解　设Ｘ～Ｎ（０，１），则由例１．２知Ｘ的特征函数ｇｔ）＝ｅＸ（２＋ａ，则Ｙ～Ｎ（ａ， σ ）．由例１．３知，Ｙ的特征函数ｉａｔｉａｔ－ｇｔ）＝ｅｇ（ σ ｔ）＝ｅｅＹ（Ｘ２２ σｔ２ｉａｔ－＝ｅ２２ σ ｔ２
，令Ｙ＝σ Ｘ
常见随机变量的数学期望、方差和特征函数见表１－１．
１０表１－１分　布两点分布（０－１分布）二项分布分布律或概率密度Ｐ（Ｘ＝１）＝ｐ，Ｐ（Ｘ＝０）＝ｑ，０＜ｐ＜１，ｐ＋ｑ＝１
ｋｋｎ－ｋＰ（Ｘ＝ｋ）＝Ｃ，ｎｐｑ
期望ｐｎｐ
方差ｐｑｎｐｑ
特征函数
ｉｔｑ＋ｐｅ
０＜ｐ＜１，ｐ＋ｑ＝１，ｋ＝０，１， …，ｎ λ －λ Ｐ（Ｘ＝ｋ）＝ｅ， λ ＞０，ｋ！ｋ＝０，１， …
ｋ－１Ｐ（Ｘ＝ｋ）＝ｐｑ，０＜ｐ＜１，ｐ＋ｑ＝１，ｋ＝１，２， … ｋ
ｉｔｎ（ｑ＋ｐｅ）
泊松分布
λ １ｐ
λ ｑ２ｐ
λ （ｅｅ
ｉｔ
－１）
几何分布
ｉｔｐｅｉｔ１－ｑｅ
均匀分布
１，ａ＜ｘ＜ｂｆ（ｘ）＝ｂ－ａ０，其他ｆ（ｘ）＝ｆ（ｘ）＝
ａ）１－（ｘ－２ｅ２σ ２ πσ ２
２ａ＋ｂ（ｂ－ａ）２１２
ｉｂｔｉａｔｅ－ｅｉ（ｂ－ａ）ｔ
２Ｎ（ａ， σ ）
ａ１ λ
２ σ
ｉａｔ－ σｔ２ｅ
１２２
指数分布
ｘ λ ｅ－ λ ，ｘ≥ ０ λ＞００，ｘ＜０
１２ λ
ｉｔ１－ λ
－１
研究非负整数值随机变量，母函数是非常方便的工具．定义１．１２　设Ｘ是非负整数值随机变量，分布列ｐ（Ｘ＝ｋ），ｋ＝０，１， …，ｋ＝Ｐ则称Ｐ（ｓ）为Ｘ的母函数．母函数具有以下性质：（１）非负整数值随机变量的分布列由其母函数惟一确定．（２）设Ｐ（ｓ）是Ｘ的母函数，若ＥＸ存在，则ＥＸ＝Ｐ ′ （１），若ＤＸ存在，则ＤＸ＝Ｐ ″ （１）＋Ｐ ′ （１）－［Ｐ ′ （１）］．（３）独立随机变量之和的母函数等于母函数之积．（４）若ＸＸ …是相互独立且同分布的非负整数值随机变量，Ｎ是与Ｘ１，２，１，
Ｎ２ ∞ ＸＥ（ｓ）＝
∑ ｐｓ
ｋｋｋ＝０
（１．３）（１．４）
Ｘ …独立的非负整数值随机变量，则Ｙ＝２，
∑
ｋ＝１
Ｘｋ的母函数（１．５）
Ｈ（Ｓ）＝Ｇ（Ｐ（ｓ）），
１１
其中Ｇ（ｓ）、Ｐ（ｓ）分别是Ｎ、Ｘ１的母函数．
∞
证　（１）Ｐ（ｓ）＝ ∑ ｐｓｋ
ｋｋ＝０ｎ ∞ ｋ
＝∑ｐｓ＋ｋ
ｋ＝０
ｋ＝ｎ＋１
ｐｓ，　ｎ＝０，１， …，ｋ
上式两边对ｓ求ｎ阶导数，得
∞ （ｎ）Ｐ（ｓ）＝ｎ！ｐｎ＋
ｋ＝ｎ＋１
ｋ－ｎｋ（ｋ－１）…（ｋ－ｎ＋１）ｐｓ．ｋ
令ｓ＝０，则Ｐ（０）＝ｎ！ｐ故ｎ，
（ｎ）ｐ０）／ｎ！，　ｎ＝０，１， …．ｎ＝Ｐ（ ∞ ∞ ｋｋ－１ｋｋ
（ｎ）
（２）由Ｐ（ｓ）＝
所以Ｐ ′ （ｓ）＝ ∑ ｋｐｓ ∑ ｐｓ，
ｋ＝０ｋ＝１ ∞
，令ｓ ↑１，得
ＥＸ＝同理可证（１．４）式．（３）显然．

∞ ｋ（４）Ｈ（Ｓ）＝ ∑ Ｐ（Ｙ＝ｋ）ｓｋ＝０ ∞
ｐ＝Ｐ ′ （１）． ∑ｋ
ｋｋ＝１
ｋ＝ ∑ＰＹ＝ｋ，∪（Ｎ＝ｌ）ｓｋ＝０ ∞ ｌ＝０ ∞
＝∑
∞
ｋ＝０
（Ｎ＝ｌ）Ｐ（Ｙ＝ｋ）ｓ ∑Ｐ
ｋｌ＝０ ∞
ｋ＝∑ Ｐ（Ｎ＝ｌ）∑ Ｐ（Ｙ＝ｋ）ｓｌ＝０ ∞ ｋ＝０ ∞ ｌ
＝∑ Ｐ（Ｎ＝ｌ）∑ Ｐ
ｌ＝０ ∞ ｋ＝０
∑
ｊ＝１
Ｘｊ＝ｋｓ
ｌ＝∑ Ｐ（Ｎ＝ｌ）［Ｐ（ｓ）］＝Ｇ［Ｐ（ｓ）］．ｌ＝０
由公式（１．３），（１．５）可得ＥＹ＝ＥＮＥＸ１．注：当Ｘ公式（１．６）仍成立．ｉ是相互独立同分布的随机变量时，例１．６　设商店在一天的顾客数Ｎ服从参数λ ＝１０００的泊松分布，又设每位顾客所花的钱数Ｘ（１００，５０），求商店的日销售额Ｚ的平均值．ｉ服从Ｎ解　由条件知ＥＮ＝１０００，ＥＸ１００，故由（１．６）式１＝ＥＺ＝ＥＮ・ＥＸ００×１００＝１０００００（元）．１＝１０
２
（１．６）
１２
§ １．５　ｎ维正态分布
正态分布在概率论中扮演极为重要的角色．一方面，由中心极限定理知实际中许多随机变量服从或近似地服从正态分布．另一方面，正态分布具有良好的分析性质．下面我们讨论ｎ维正态分布．定义１．１３　若ｎ维随机变量Ｘ＝（ＸＸ …，Ｘｎ）的联合概率密度为１，２，ｆ（ｘ）＝ｆ（ｘｘ …，ｘ）１，２，ｎ１１－１＝ｅｘｐ－（ｘ－ａ）Ｂ（ｘ－ａ） ′，２（２ π ）ｎ／２（ｄｅｔＢ）ｎ／２式中，ａ＝（ａａ …，ａ）是常向量，Ｂ＝（ｂ）ｎ× ｎ是正定矩阵，则称Ｘ为ｎ维正１，２，ｎｉｊ态随机变量或服从ｎ维正态分布，记作Ｘ～Ｎ（ａ，Ｂ）．可以证明，若Ｘ～Ｎ（ａ，Ｂ），则Ｘ的特征函数
ｉａｔ ′－ｉＢｔ ′ ２ｇ（ｔ）＝ｇ（ｔｔ …，ｔ）＝ｅ．１，２，ｎ１
为了应用的方便，我们不加证明地给出如下常用的几个结论．性质１　若Ｘ～Ｎ（ａ，Ｂ），则ＥＸＢＸｋ＝ａｋ，

Ｘｋｌ
＝ｂｋ，ｌ＝１，２， …，ｎ．ｋｌ，
性质２　设Ｘ～Ｎ（ａ，Ｂ），Ｙ＝ＸＡ，若Ａ ′ ＢＡ正定，则Ｙ～Ｎ（ａＡ，Ａ ′ ＢＡ）．即正态随机变量的线性变换仍为正态随机变量．性质３　设Ｘ＝（ＸＸＸＸＥＸｋ＝１，２，１，２，３，４）是四维正态随机变量，ｋ＝０，３，４，则Ｅ（Ｘ（ＸＥ（Ｘ＋Ｅ（ＸＥ（Ｘ１Ｘ２Ｘ３Ｘ４）＝Ｅ１Ｘ２）３Ｘ４）１Ｘ３）２Ｘ４）＋Ｅ（ＸＥ（Ｘ．１Ｘ４）２Ｘ３）
§ １．６　条件期望
设Ｘ、Ｙ是离散型随机变量，对一切使Ｐ｛Ｙ＝ｙ｝＞０的ｙ，定义给定Ｙ＝ｙ时，Ｘ的条件概率为Ｐ｛Ｘ＝ｘ｜Ｙ＝ｙ｝＝给定Ｙ＝ｙ时，Ｘ的条件分布函数为Ｆ（ｘ｜ｙ）＝Ｐ｛Ｘ≤ｘ｜Ｙ＝ｙ｝，而给定Ｙ＝ｙ时，Ｘ的条件期望为Ｅ（Ｘ｜Ｙ＝ｙ）＝ｄＦ（ｘ｜ｙ）＝ ∑ ｘＰ｛Ｘ＝ｘ｜Ｙ＝ｙ｝． ∫ｘ
ｘ
Ｐ｛Ｘ＝ｘ，Ｙ＝ｙ｝，Ｐ｛Ｙ＝ｙ｝
１３
若Ｘ、Ｙ是连续型随机变量，其联合概率密度为ｆ（ｘ，ｙ），则对一切使ｆｙ）≥０的ｙ，给定Ｙ＝ｙ，Ｘ的条件概率密度定义为Ｙ（ｆ（ｘ｜ｙ）＝给定Ｙ＝ｙ时，Ｘ的条件分布函数为Ｆ（ｘ｜ｙ）＝Ｐ｛Ｘ≤ ｘ｜Ｙ＝ｙ｝＝而给定Ｙ＝ｙ时，Ｘ的条件期望定义为Ｅ（Ｘ｜Ｙ＝ｙ）＝ｄＦ（ｘ｜ｙ）＝ｆ（ｘ｜ｙ）ｄｘ． ∫ｘ ∫ｘｆ（ｘ，ｙ）．ｆｙ）Ｙ（
ｆ（ｘ｜ｙ）ｄｘ，
－∞
由此可见，除了概率是关于事件｛Ｙ＝ｙ｝的条件概率以外，现在的定义与无条件的情况完全一样．Ｅ（Ｘ｜Ｙ＝ｙ）是ｙ的函数，ｙ是Ｙ的一个可能值．若在已知Ｙ的条件下，全面地考虑Ｘ的均值，需要以Ｙ代替ｙ，Ｅ（Ｘ｜Ｙ）是随机变量Ｙ的函数，也是随机变量，称为Ｘ在Ｙ下在的条件期望．条件期望在概率论、数理统计和随机过程中是一个十分重要的概念，下面我们介绍一个极其有用的性质．性质　若随机变量Ｘ与Ｙ的期望存在，则ＥＸ＝Ｅ［Ｅ（Ｘ｜Ｙ）］＝（Ｘ｜Ｙ＝ｙ）ｄＦ（ｙ）． ∫Ｅ
Ｙ
（１．７）
如果Ｙ是离散型随机变量，则（１．７）式为ＥＸ＝（Ｘ｜Ｙ＝ｙ）Ｐ｛Ｙ＝ｙ｝． ∑Ｅ

ｙ ∞
（１．８）
如果Ｙ是连续型随机变量，具有概率密度ｆ（ｙ），则（１．７）式为ＥＸ＝
Ｅ（Ｘ｜Ｙ＝ｙ）ｆ（ｙ）ｄｙ．
（１．９）
－∞
证　我们仅对Ｘ与Ｙ都是离散型随机变量证明（１．９）式．　＝＝＝（Ｘ｜Ｙ＝ｙ）Ｐ｛Ｙ＝ｙ｝ ∑Ｅ

ｙ
Ｐ｛Ｘ＝ｘ｜Ｙ＝ｙ｝Ｐ｛Ｙ＝ｙ｝ ∑ ∑ｘ

ｙｘ
Ｐ｛Ｘ＝ｘ，Ｙ＝ｙ｝＝ ∑ｘ ∑Ｐ｛Ｘ＝ｘ，Ｙ＝ｙ｝ ∑ ∑ｘ

ｙｘｘｙ
Ｐ｛Ｘ＝ｘ｝＝ＥＸ， ∑ｘ
ｘ
证毕．
从（１．７）式我们看到，ＥＸ是给定Ｙ＝ｙ时，Ｘ的条件期望的一个加权平均值，每一项Ｅ（Ｘ｜Ｙ＝ｙ）所加的权是其作为条件事件的概率．公式（１．７）也称为全期望公式，是计算随机变量数学期望的一种重要方法．先对一个适当的随机变量取条件，不仅使我们能求得期望，也可以用这种方
１４
法计算事件的概率．设Ａ为一个任意事件，Ａ的示性函数Ｉｅ）＝Ａ（是一个二值随机变量．显然Ｅ（Ｉｅ））＝Ｐ（Ａ），Ａ（Ｅ（Ｉｅ）｜Ｙ＝ｙ）＝Ｐ（Ａ｜Ｙ＝ｙ），Ａ（对任意的随机变量Ｙ，所以由（１．７）式我们有Ｐ（Ａ）＝（Ａ｜Ｙ＝ｙ）ｄＦ（ｙ）． ∫Ｐ
Ｙｎ
１，ｅ ∈Ａ，０，ｅ úＡ
特别，若Ｂｋ＝１，２， …，ｎ为互不相容的事件，，定义离散型随ｋ， ∪Ｂｋ＝Ω

ｋ＝１
机变量Ｙ（ｅ）＝ｋ，若ｅ ∈Ｂｋ＝１，２， …，ｎ，ｋ，则得到（１．８）式的离散形式

ｎ
Ｐ（Ａ）＝＝
（Ａ｜Ｙ＝ｋ）Ｐ（Ｙ＝ｋ） ∑Ｐ
ｋ＝１ｎ
（Ａ｜Ｂ）Ｐ（Ｂ）． ∑Ｐ
ｋｋｋ＝１
上式即为概率中的全概率公式．例１．７　设商场一天内的顾客到达人数Ｎ是参数为 λ的泊松随机变量，每个顾客在该商场的消费是相互独立的．其消费金额（元）都服从［０，ａ］上的均匀分布，求商场一天的平均营业额．解　记Ｘ为商场一天的营业额，Ｙｉ＝１，ｉ为第ｉ个顾客在商场的消费金额，
Ｎ
２， …，Ｎ，则Ｘ＝ ∑ Ｙｉ．
ｉ＝１
λ －λ Ｐ（Ｎ＝ｋ）＝ｅ，　ｋ＝０，１， …，ｋ！ＥＹｉ＝由（１．８）式
∞
１ａ，　ｉ＝１，２， …，Ｎ．２
ＥＸ＝＝＝
（Ｘ｜Ｎ＝ｋ）Ｐ（Ｎ＝ｋ） ∑Ｅ
ｋ＝０ ∞ Ｎ
∑Ｅ
ｋ＝０ ∞ ｋ＝０
（Ｎ＝ｋ） ∑ Ｙ｜Ｎ＝ｋＰ
ｉｉ＝１ｋｉ
∑Ｅ ∑Ｙ
ｉ＝１
Ｐ（Ｎ＝ｋ）
∞
１５
・ＥＹ・Ｐ（Ｎ＝ｋ） ∑ｋ
１ｋ＝０ ∞
＝ＥＹ・Ｐ（Ｎ＝ｋ）１・ ∑ ｋ
ｋ＝１
＝ＥＹＥＮ＝１・
１ａ λ （元）．２
例１．８（选票问题）　在一次选举中，候选人Ａ得到ｎ张选票，而候选人Ｂ得到ｍ张选票，其中ｎ＞ｍ，假定选票的一切排列次序是等可能的，证明：在计票过程中，Ａ的票数始终领先的概率为（ｎ－ｍ）／（ｎ＋ｍ）．证　记所求概率为Ｐ以得到最后那张选票的候选人为条件，我们有ｎ，ｍ．Ｐ｛Ａ始终领先｜Ａ得到最后一票｝Ｐ｛Ａ得到最后一票｝ｎ，ｍ＝Ｐ　＋Ｐ｛Ａ始终领先｜Ｂ得到最后一票｝Ｐ｛Ｂ得到最后一票｝ｎ＝Ｐ｛Ａ始终领先｜Ａ得到最后一票｝ｎ＋ｍｍ　＋Ｐ｛Ａ始终领先｜Ｂ得到最后一票｝．ｎ＋ｍ注意到，在Ａ得到最后一票的条件下，Ａ始终领先的概率与Ａ得到（ｎ－１）票而Ｂ得到ｍ张票的概率是一样的．在Ｂ得到最后一票的条件下，可得类似的结果．于是ｎｍＰＰ＋Ｐ．ｎ，ｍ＝ｎ＋ｍｎ－１，ｍｎ＋ｍｎ，ｍ－１下面，我们用归纳法，对ｎ＋ｍ进行归纳，证明ｎ－ｍＰ．ｎ，ｍ＝ｎ＋ｍｍ＝ｋ＋１时，由（１．１０）式及归纳假设有ｎｎ－１－ｍｍｎ－ｍ＋１ｎ－ｍＰ＋＝，ｎ，ｍ＝ｎ＋ｍｎ－１＋ｍｎ＋ｍｎ＋ｍ－１ｎ＋ｍ证毕．例１．９（匹配问题）　设有ｎ个人，把他们的帽子混在一起后，每个人随机地选一顶，求恰好有ｋ个人选到自己帽子的概率．解　记Ｅ为全不匹配这一事件，Ｍ为第一个人选到自己的帽子这一事件，珨Ｍ为第一个人没有选到自己的帽子这一事件，令Ｐ（Ｅ），ｎ＝Ｐ则Ｐ由全概率公式我们有ｎ与ｎ有关．Ｐ（Ｅ）＝Ｐ（Ｅ｜Ｍ）Ｐ（Ｍ）＋Ｐ（Ｅ｜珨Ｍ）Ｐ（珨Ｍ）．ｎ＝Ｐ（１．１１）（１．１０）
当ｎ＋ｍ＝１时，Ｐ结论为真．假设ｎ＋ｍ＝ｋ时（１．１１）式成立，则当ｎ＋１，０＝１，
１６
由于Ｐ（Ｅ｜Ｍ）＝０，从而ｎ－１Ｐ（Ｅ｜珨Ｍ）．ｎ＝Ｐｎ（１．１２）
现在Ｐ（Ｅ｜珨Ｍ）是ｎ－１个人从ｎ－１顶帽子中各取一顶都不匹配的概率，其中有一个人的帽子不在这ｎ－１顶帽子中．此事件由两个互不相容的事件组成．一个事件是都不匹配且多余的那个人（即其帽子已给第一个人取走的那个人）未能选中多余的帽子（即第一个选取人的帽子），另一个事件是都不匹配但多余的人选取到了多余的帽子．前一个事件的概率是Ｐ因为可以将多余的帽子看作ｎ－１，为多余的人的．由于第二个事件的概率是１Ｐ，我们有ｎ－１ｎ－２１Ｐ，ｎ－１ｎ－２
Ｐ（Ｅ｜珨Ｍ）＝Ｐｎ－１＋于是，从（１．１１）式得Ｐｎ＝或等价地
ｎ－１１Ｐ＋Ｐ．ｎｎ－１ｎｎ－２
１Ｐ（Ｐ－Ｐｎ－Ｐｎ－１＝－ｎ－２）．ｎｎ－１由于ＰＰ１＝０，２＝１，于是由（１．１３）式得２Ｐ３－Ｐ２＝－所以１１Ｐ－．３＝２！３！一般地，我们有１１１（－１）Ｐ－＋－…＋．ｎ＝２！３！４！ｎ！对于固定的ｋ个人，只有他们选中自己的帽子的概率为１１１（ｎ－ｋ）！・ … Ｐ＝Ｐｎ－ｋ，ｎｎ－１ｎ－（ｋ－１）ｎ－ｋｎ！
ｎ
（１．１３）
Ｐ１２－Ｐ１＝－．３３！
其中Ｐｎ－ｋ是其余ｎ－ｋ个人从他们自己的那些帽子中选取但全不匹配的概率．因ｋ个人的选择法有Ｃ所有恰有ｋ个匹配的概率是ｎ种，Ｃｎ

ｋｋ
（ｎ－ｋ）！１１１（－１）ｎ－ｋＰ－＋…＋．ｎ－ｋ＝ｎ！ｋ！２！３！（ｎ－ｋ）！

－１／ｋ！
当ｎ充分大时上式近似地等于ｅ
第二章　随机过程的概念与基本类型
§ ２．１　随机过程的基本概念
初等概率论研究的主要对象是一个或有限个随机变量（或随机向量），虽然有时我们也讨论了随机变量序列，但假定序列之间是相互独立的．随着科学技术的发展，我们必须对一些随机现象的变化过程进行研究，这就必须考虑无穷个随机变量；而且解决问题的出发点不是随机变量的Ｎ个独立样本，而是无穷多个随机变量的一次具体观测．这时，我们必须用一族随机变量才能刻画这种随机现象的全部统计规律性．通常我们称随机变量族为随机过程．例２．１　生物群体的增长问题．在描述群体的发展或演变过程中，以Ｘｔ表示在时刻ｔ群体的个数，则对每一个ｔ，Ｘ假设我们从ｔ＝０开ｔ是一个随机变量．始每隔２４小时对群体的个数观测一次，则｛Ｘｔ＝０，１， …｝是随机过程．ｔ，例２．２　某电话交换台在时间段［０，ｔ］内接到的呼唤次数是与ｔ有关的随机变量Ｘ（ｔ），对于固定的ｔ，Ｘ（ｔ）是一个取非负整数的随机变量．故｛Ｘ（ｔ），ｔ ∈ ［０， ∞）｝是随机过程．例２．３　在天气预报中，若以Ｘｔ表示某地区第ｔ次统计所得到的该天气最高气温，则Ｘ为了预报该地区未来的气温，我们必须研究随机过程ｔ是随机变量．｛Ｘｔ＝０，１， …｝的统计规律性．ｔ，例２．４　在海浪分析中，需要观测某固定点处海平面的垂直振动．设Ｘ（ｔ）表示在时刻ｔ该处的海平面相对于平均海平面的高度，则Ｘ（ｔ）是随机变量，而｛Ｘ（ｔ），ｔ ∈ ［０， ∞）｝是随机过程．以上例子说明，必须扩大概率论的研究范围，讨论随机过程的有关性质．为此，我们给出随机过程的一般定义．定义２．１　设（Ω，Ｆ，Ｐ）是概率空间，Ｔ是给定的参数集，若对每个ｔ ∈ Ｔ，有一个随机变量Ｘ（ｔ，ｅ）与之对应，则称随机变量族｛Ｘ（ｔ，ｅ），ｔ∈ Ｔ｝是（Ω，Ｆ，Ｐ）上的随机过程，简记为随机过程｛Ｘ（ｔ），ｔ∈ Ｔ｝．Ｔ称为参数集．通常
１８
表示时间．通常将随机过程｛Ｘ（ｔ），ｔ∈ Ｔ｝解释为一个物理系统．Ｘ（ｔ）表示系统在时刻ｔ所处的状态．Ｘ（ｔ）的所有可能状态所构成的集合称为状态空间或相空间，记为Ｉ．值得注意的是参数ｔ可以指通常的时间，也可以指别的；当ｔ是向量时，则称此随机过程为随机场．为了简单起见，我们以后总是假设Ｔ＜Ｒ＝（－∞， ∞）．从数学的观点来说，随机过程｛Ｘ（ｔ，ｅ），ｔ ∈Ｔ｝是定义在Ｔ× Ω 上的二元函数．对固定的ｔ，Ｘ（ｔ，ｅ）是（Ω，Ｆ，Ｐ）上的随机变量；对固定ｅ，Ｘ（ｔ，ｅ）是定义在Ｔ上的普通函数，称为随机过程｛Ｘ（ｔ，ｅ），ｔ ∈Ｔ｝的一个样本函数或轨道，样本函数的全体称为样本函数空间．根据参数Ｔ及状态空间Ｉ是可列集或非可列集，可以把随机过程分为以下四种类型：１ ° Ｔ和Ｉ都是可列的；２ ° Ｔ非可列，Ｉ可列；３ ° Ｔ可列，Ｉ非可列；４ ° Ｔ和Ｉ都非可列．参数集Ｔ可列（即１ ° ，３ ° 情形）的随机过程也称为随机序列或时间序列，一般用｛Ｘｔ＝０， ±１， ±２， …｝表示．状态空间Ｉ可列（即１ ° ，２ °情形）的随机过程ｔ，也称为可列过程．显然例２．１至例２．４分别对应于上述１ ° ～４ ° 的情况．随机过程的分类，除上述按参数集Ｔ与状态空间Ｉ是否可列外，还可以进一步根据Ｘｔ …，ｔ（ｔＸ（ｔ， …，ｔ在不同时刻ｔ１，２，ｎ所对应的随机变量Ｘ１），２）Ｘ（ｔ）之间的概率关系进行分类，如独立增量过程、马尔可夫过程、平稳过程和ｎ鞅过程等，我们将在后面各章予以详细介绍．
§ ２．２　随机过程的分布律和数字特征
研究随机现象，主要是研究它的统计规律性．我们知道，有限个随机变量的统计规律性完全由它们的联合分布函数所刻画．由于随机过程可视为一族（一般是无穷多个）随机变量，我们是否也可以用一个无穷维联合分布函数来刻画其统计规律性呢？由概率论的理论可知，使用无穷维分布函数的方法是行不通的，可行的办法就是采用有限维分布函数族来刻画随机过程的统计规律性．定义２．２　设ＸＴ＝｛Ｘ（ｔ），ｔ ∈Ｔ｝是随机过程，对任意ｎ≥１和ｔｔ …，１，２，ｔ，随机向量（Ｘ（ｔＸ（ｔ …，Ｘ（ｔ））的联合分布函数为ｎ ∈Ｔ１），２），ｎＦｔ
１， …，ｔｎ
（ｘ …，ｘ）＝Ｐ｛Ｘ（ｔ …，Ｘ（ｔ）≤ ｘ．１，ｎ１）≤ｘ１，ｎｎ｝
（２．１）
１９
这些分布函数的全体Ｆ＝｛Ｆｘｘ …，ｘ），ｔｔ …，ｔ，ｎ≥１｝ｔ， … ，ｔ（１，２，ｎ１，２，ｎ∈Ｔ

１ｎ
（２．２）
称为ＸＴ＝｛Ｘｔ ∈Ｔ｝的有限维分布函数族．ｔ，显然，随机过程ＸＴ＝｛Ｘ（ｔ），ｔ ∈Ｔ｝的有限维分布函数族Ｆ具有如下性质：（１）对称性　对于｛ｔｔ …，ｔ｝的任意排列｛ｔｔ …，ｔ１，２，ｎｉ，ｉ，ｉ｝

１２ｎ
Ｆｔ
， …，ｔｎ
（ｘｘ …，ｘ）＝Ｆ１，２，ｎｔ
ｉ１
， …，ｔｉｎ
（ｘｔ
ｉ１
， …，
ｘｔ）；
ｉｎ
（２）相容性　当ｍ＜ｎ时Ｆｘｘ …，ｘｔ，… ，ｔ（１，２，ｍ）＝Ｆｔ
１ｍ１， …，ｔ，… ，ｔｍｎ
（ｘｘ …，ｘ ∞， …， ∞）．１，２，ｍ，
反之，对给定的满足对称性和相容性条件的分布函数族Ｆ，是否一定存在一个以Ｆ作为有限维分布函数族的随机过程呢？这就是随机过程的存在性定理要回答的问题．定理２．１（Ｋｏｌｍｏｇｏｒｏｖ存在定理）　设已给参数集Ｔ及满足对称性和相容性条件的分布函数族Ｆ，则必存在概率空间（Ω，Ｆ，Ｐ）及定义在其上的随机过程｛Ｘ（ｔ），ｔ ∈Ｔ｝，它的有限维分布函数族是Ｆ．科尔莫戈罗夫定理是随机过程理论的基本定理，它是证明随机过程存在性的有力工具．值得注意的是存在性定理中的概率空间（Ω，Ｆ，Ｐ）和｛Ｘｔ ∈Ｔ｝的ｉ，构造并不惟一．科尔莫戈罗夫定理说明，随机过程的有限维分布函数族是随机过程概率特征的完整描述．由于随机变量的分布函数和特征函数的一一对应关系，随机过程的概率特征也可以通过随机过程的有限维特征函数族 Φ＝｛ｇ θ θ …， θ ）：ｔｔ …，ｔ，ｎ≥１｝ｔ， …，ｔ（１，２，ｎ１，２，ｎ ∈Ｔ
１ｎ
来完整地描述，其中
ｎ
ｇ θ θ …， θ ）＝Ｅｅｘｐｉ（ｔ）ｔ，… ，ｔ（１，２，ｎｉＸｉ ∑θ
１ｎｋ＝１
在实际中，要知道随机过程的全部有限维分布函数族是不可能的，因此，人们往往用随机过程的某些统计特征来取代Ｆ．随机过程常用的统计特征定义如下．定义２．３　设ＸＴ＝｛Ｘ（ｔ），ｔ ∈Ｔ｝是随机过程，如果对任意ｔ ∈ Ｔ，ＥＸ（ｔ）存在，则称函数ｍＸ（ｔ）为ＸＴ的均值函数．
２若对任意ｔ ∈ Ｔ，Ｅ（Ｘ（ｔ））存在，则称Ｘ而称ＢＸ（ｓ，ｔ）Ｔ为二阶矩过程，
ＥＸ（ｔ），　ｔ ∈Ｔ
２０
ｄ
Ｅ［（Ｘ（ｓ）－ｍＸ（ｓ））（Ｘ（ｔ）－ｍＸ（ｔ））］，ｓ，ｔ ∈ Ｔ为ＸＴ的协方差函数．称ＤＸ（ｔ）＝Ｂｔ，ｔ）＝Ｅ［Ｘ（ｔ）－ｍＸ（ｔ）］，　ｔ ∈ＴＸ（

２
为Ｘ称Ｔ的方差函数．ＲＸ（ｓ，ｔ）＝Ｅ［Ｘ（ｓ）Ｘ（ｔ）］，　ｓ，ｔ ∈Ｔ为ＸＴ的相关函数．由Ｓｃｈｗａｒｚ不等式知，二阶矩过程的协方差函数和相关函数一定存在，且有下列关系：ＢＸ（ｓ，ｔ）＝ＲＸ（ｓ，ｔ）－ｍＸ（ｓ）ｍＸ（ｔ），特别，当ＸＴ的均值函数ｍＸ（ｔ）≡０，则Ｂ（ｓ，ｔ）＝ＲＸ（ｓ，ｔ）．Ｘ均值函数ｍＸ（ｔ）是随机过程｛Ｘ（ｔ），ｔ ∈Ｔ｝在时刻ｔ的平均值，方差函数ＤＸ（ｔ）是随机过程在时刻ｔ对均值ｍＸ（ｔ）的偏离程度，而协方差函数Ｂｓ，ｔ）Ｘ（和相关函数ＲＸ（ｓ，ｔ）则反映随机过程｛Ｘ（ｔ），ｔ ∈Ｔ｝在时刻ｓ和ｔ时的线性相关程度．例２．５　设随机过程Ｘ（ｔ）＝Ｙｃｏｓ（ θ ｔ）＋Ｚｓｉｎ（ θ ｔ），　ｔ＞０，其中，Ｙ、Ｚ是相互独立的随机变量，且ＥＹ＝ＥＺ＝０，ＤＹ＝ＤＺ＝σ ，求｛Ｘ（ｔ），ｔ＞０｝的均值函数ｍＸ（ｔ）和协方差函数ＢＸ（ｓ，ｔ）．解　由数学期望的性质ＥＸ（ｔ）＝Ｅ［Ｙｃｏｓ（ θ ｔ）＋Ｚｓｉｎ（ θ ｔ）］＝ｃｏｓ（ θ ｔ）ＥＹ＋ｓｉｎ（ θ ｔ）ＥＺ＝０．因为Ｙ与Ｚ相互独立，故　　ＢＸ（ｓ，ｔ）＝Ｒｓ，ｔ）＝Ｅ［Ｘ（ｓ）Ｘ（ｔ）］Ｘ（＝Ｅ［Ｙｃｏｓ（ θ ｓ）＋Ｚｓｉｎ（ θ ｓ）］［Ｙｃｏｓ（ θ ｔ）＋Ｚｓｉｎ（ θ ｔ）］＝ｃｏｓ（ θ ｓ）ｃｏｓ（ θ ｔ）Ｅ（Ｙ）＋ｓｉｎ（ θ ｓ）ｓｉｎ（ θ ｔ）Ｅ（Ｚ）＝σｃｏｓ［（ｔ－ｓ） θ ］．例２．６　设随机过程Ｘ（ｔ）＝Ｙ＋Ｚｔ，　ｔ＞０，其中Ｙ，Ｚ是相互独立的Ｎ（０，１）随机变量，求｛Ｘ（ｔ），ｔ＞０｝的一、二维概率密度族．解　由于Ｙ与Ｚ是相互独立的正态随机变量，故其线性组合仍为正态随机变量，要计算｛Ｘ（ｔ），ｔ＞０｝的一、二维概率密度，只要计算数字特征ｍＸ（ｔ），ＤＸ（ｔ）， ρ ｓ，ｔ）即可．Ｘ（ｍＸ（ｔ）＝Ｅ（Ｙ＋Ｚｔ）＝ＥＹ＋ｔＥＺ＝０，
２２２２
（２．３）

２２ＤＸ（ｔ）＝Ｄ（Ｙ＋Ｚｔ）＝ＤＹ＋ｔＤＺ＝１＋ｔ，
２１
Ｂｓ，ｔ）＝ＥＸ（ｓ）Ｘ（ｔ）－ｍＸ（ｓ）ｍＸ（ｔ）Ｘ（＝Ｅ（Ｙ＋Ｚｓ）（Ｙ＋Ｚｔ）＝１＋ｓｔ， ρ ｓ，ｔ）＝Ｘ（１＋ｓｔ＝，２２ＤＸ（ｓ）ＤＸ（ｔ）（１＋ｓ）（１＋ｔ）ｘｅｘｐ－，　ｔ＞０，２２２（１＋ｔ）２ π （１＋ｔ）１
２
ＢＸ（ｓ，ｔ）
故随机过程｛Ｘｔ＞０｝的一、二维概率密度分别为ｔ，ｆ（ｘ）＝ｔ
１　　　ｆ（ｘｘ・ｓ，ｔ１，２）＝２２２２ π （１＋ｓ）（１＋ｔ）１－ρ 　ｅｘｐ

２ｘｘ１１ｘ２－１ ρ ２－２２２２１＋ｓ２（１－ρ）（１＋ｓ）（１＋ｔ）２
ｘ　＋２２１＋ｔ其中 ρ＝ρ （ｓ，ｔ）．Ｘ
，　ｓ，ｔ＞０，
在实际问题中，有时需要考虑两个随机过程之间的关系．例如，通信系统中信号与干扰之间的关系．此时，我们采用互协方差函数和互相关函数来描述它们之间的线性关系．定义２．４　设｛Ｘ（ｔ），ｔ ∈Ｔ｝，｛Ｙ（ｔ），ｔ ∈Ｔ｝是两个二阶矩过程，则称ＢＸＹ（ｓ，ｔ）
ｄ
Ｅ［（Ｘ（ｓ）－ｍＸ（ｓ））（Ｙ（ｔ）－ｍＹ（ｔ））］，　ｓ，ｔ ∈Ｔ
ｄ
为｛Ｘ（ｔ），ｔ ∈Ｔ｝与｛Ｙ（ｔ），ｔ ∈Ｔ｝的互协方差函数，称Ｒｓ，ｔ）ＸＹ（Ｅ［Ｘ（ｓ）Ｙ（ｔ）］
为｛Ｘ（ｔ），ｔ ∈Ｔ｝与｛Ｙ（ｔ），ｔ ∈Ｔ｝的互相关函数．如果对任意ｓ，ｔ ∈ Ｔ，有Ｂｓ，ｔ）＝０，则称｛Ｘ（ｔ），ｔ ∈Ｔ｝与｛Ｙ（ｔ），ｔ ∈Ｔ｝ＸＹ（互不相关．显然有Ｂｓ，ｔ）＝ＲＸＹ（ｓ，ｔ）－ｍＸ（ｓ）ｍＹ（ｔ）．ＸＹ（（２．４）例２．７　设有两个随机过程Ｘ（ｔ）＝ｇｔ＋ε ）和Ｙ（ｔ）＝ｇｔ＋ε ），其中１（２（ｇ（ｔ）和ｇｔ）都是周期为Ｌ的周期方波， ε是在（０，Ｌ）上服从均匀分布的随机１２（变量．求互相关函数Ｒ（ｔ，ｔ＋τ ）的表达式．ＸＹ解　由定义　　ＲＸＹ（ｔ，ｔ＋τ ）＝Ｅ［Ｘ（ｔ）Ｙ（ｔ＋τ ）］
２２
＝Ｅ［ｇｔ＋ε ）ｇｔ＋τ ＋ε ）］１（２（＝
∫
１Ｌ
ｇｔ＋ｘ）ｇ（ｔ＋τ ＋ｘ）ｆ（ｘ）ｄｘ１（２ ε
Ｌ１２
－∞
＋ｘ）ｇ（ｔ＋τ ＋ｘ）ｄｘ． ∫ ｇ（ｔ
０
令ｖ＝ｔ＋ｘ，利用ｇ（ｔ）和ｇｔ）的周期性，我们有１２（ＲＸＹ（ｔ，ｔ＋τ ）＝＝１Ｌ１Ｌ
∫
ｔ０
ｔ＋Ｌ
ｇｖ）ｇｖ＋τ ）ｄｖ１（２（
１２
）ｇ（ｖ＋τ ）ｄｖ． ∫ ｇ（ｖ
例２．８　设Ｘ（ｔ）为信号过程，Ｙ（ｔ）为噪声过程．令Ｗ（ｔ）＝Ｘ（ｔ）＋Ｙ（ｔ），则Ｗ（ｔ）的均值函数为ｍＷ（ｔ）＝ｍＸ（ｔ）＋ｍＹ（ｔ），其相关函数为ＲＷ（ｓ，ｔ）＝Ｅ［Ｘ（ｓ）＋Ｙ（ｓ）］［Ｘ（ｔ）＋Ｙ（ｔ）］＝Ｅ［Ｘ（ｓ）Ｘ（ｔ）］＋Ｅ［Ｘ（ｓ）Ｙ（ｔ）］　＋Ｅ［Ｙ（ｓ）Ｘ（ｔ）］＋Ｅ［Ｙ（ｓ）Ｙ（ｔ）］＝ＲＸ（ｓ，ｔ）＋ＲＸＹ（ｓ，ｔ）＋ＲＹＸ（ｓ，ｔ）＋ＲＹ（ｓ，ｔ）．上式表明两个随机过程之和的相关函数可以表示为各个随机过程的相关函数与它们的互相关函数之和．特别，若两个随机过程的均值函数恒为零且互不相关时，有ＲＷ（ｓ，ｔ）＝ＲＸ（ｓ，ｔ）＋ＲＹ（ｓ，ｔ）．
§ ２．３　复随机过程
工程中，常把随机过程表示成复数形式来进行研究．下面我们讨论复随机过程的概念和数字特征．定义２．５　设｛Ｘｔ ∈Ｔ｝，｛Ｙｔ ∈Ｔ｝是取实数值的两个随机过程，若对任ｔ，ｔ，意ｔ ∈ＴＺｉＹｔ＝Ｘｔ＋ｔ，其中ｉ＝－１，则称｛Ｚｔ ∈Ｔ｝为复随机过程．ｔ，
当｛Ｘｔ ∈Ｔ｝和｛Ｙｔ ∈Ｔ｝是二阶矩过程时，其均值函数、方差函数、相关ｔ，ｔ，函数和协方差函数的定义如下：ｍＺ（ｔ）＝Ｅ（Ｚ）＝ＥＸｉＥＹｔｔ＋ｔ，　　　　　Ｄｔ）＝Ｅ［｜Ｚ（ｔ）｜］Ｚ（ｔ－ｍＺ

２
§ ２．３　复随机过程
２３
＝Ｅ［（Ｚ（ｔ））（Ｚ（ｔ））］，ｔ－ｍＺｔ－ｍＺＲＺ（ｓ，ｔ）＝Ｅ［ＺＺ珔］，ｓｔＢｓ，ｔ）＝Ｅ［（Ｚ（ｓ））（Ｚ（ｔ））］．Ｚ（ｓ－ｍＺｔ－ｍＺ由定义，易见Ｂｓ，ｔ）＝Ｒ（ｓ，ｔ）－ｍＺ（ｓ）ｍＺ（ｔ）．Ｚ（Ｚ复随机过程的协方差函数具有如下重要性质．定理２．２　复随机过程｛Ｘｔ ∈Ｔ｝的协方差函数Ｂ（ｓ，ｔ）具有性质ｔ，（１）对称性：Ｂ（ｓ，ｔ）＝Ｂ（ｔ，ｓ）；（２）非负定性：对任意ｔｉ＝１，２， …，ｎ，ｎ≥ １，有ｉ ∈ Ｔ及复数ａｉ，
ｎ
ｉ，ｊ＝１
Ｂ（ｔｔ）ａａ珔．ｉ，ｊｉｊ ≥０
证　（１）Ｂ（ｓ，ｔ）＝Ｅ［（Ｘ（ｓ））（Ｘ（ｔ））］ｓ－ｍｔ－ｍ＝Ｅ［（Ｘ（ｓ））（Ｘ（ｔ））］ｓ－ｍｔ－ｍ＝Ｂ（ｔ，ｓ）．
ｎ
（２）　
ｉ，ｊ＝１ｎ
Ｂ（ｔｔ）ａａ珔ｉ，ｊｉｊ
ｔｉｉｔｊｊｉｊ
＝Ｅ＝Ｅ
ｉ，ｊ＝１
（ｔ））（Ｘ－ｍ（ｔ））ａ珔ａ ∑ （Ｘ－ｍ
ｎｎ
（ｔ））ａｔ－ｍｉｉ ∑（Ｘ
ｉ＝１ｉｎ
∑（Ｘ
ｊ＝１
ｔｊ
－ｍ（ｔ））ａｊｊ
＝Ｅ
（ｔ））ａ ∑ （Ｘ－ｍ
ｉ＝１ｔｉｉｉｎ
≥ ０．
ｋｉｗｔｋ
例２．９　设复随机过程Ｚｔ＝
２
∑ Ｘｅ
ｋ＝１
，ｔ ≥０，其中ＸＸ …，Ｘｎ是相互１，２，
独立的，且服从Ｎ（０， σ ）的随机变量，ｗｗ …，ｗ求｛Ｚｔ ≥０｝的均ｋ１，２，ｎ是常数，ｔ，值函数ｍ（ｔ）和相关函数Ｒ（ｓ，ｔ）．

ｎ
解　ｍ（ｔ）＝Ｅ（Ｚ）＝Ｅｔ
∑
ｋ＝１
Ｘｅｋ＝０，ｋ
ｎｎｉｗｓ
ｉｗｔ
Ｒ（ｓ，ｔ）＝Ｅ（ＺＺ珔）＝Ｅｓｔ
ｎ
∑ Ｘｋｅｋ
ｋ＝１
∑ Ｘｅ
ｋｋ＝１
ｉｗｔｋ
＝＝＝
ｋ，ｌ＝１ｎ
∑
ｋ＝１ｎ
ｉ（ｗｓ－ｗｔ）ｋｌＥ（Ｘ）ｅｋＸｌ
∑
ｋ＝１
Ｅ（Ｘｋ）ｅｋ
２ｉｗ（ｓ－ｔ）ｋｋ
ｉｗ（ｓ－ｔ）
∑ σｅ
２４
两个复随机过程｛Ｘ｝，｛Ｙ｝的互相关函数定义为ｔｔＲｓ，ｔ）＝Ｅ（Ｘ珡Ｙ）．ＸＹ（ｓｔ互协方差函数定义为ＢＸＹ（ｓ，ｔ）＝Ｅ［Ｘｓ）］［Ｙｔ）］．ｓ－ｍＸ（ｔ－ｍＹ（
§ ２．４　几种重要的随机过程
随机过程可以根据参数空间、状态空间是离散的，还是非离散的进行分类，也可以根据随机过程的概率结构进行分类．下面我们简单地介绍几种常用的随机过程．
一、正交增量过程
定义２．６　设｛Ｘ（ｔ），ｔ ∈Ｔ｝是零均值的二阶矩过程，若对任意的ｔ１＜ｔ２≤ ｔ，有３＜ｔ４∈ ＴＥ［Ｘ（ｔ－Ｘ（ｔ）］［Ｘ（ｔ－Ｘ（ｔ）］＝０，２）１４）３则称Ｘ（ｔ）为正交增量过程．由定义知，正交增量过程的协方差函数可以由它的方差确定．事实上，不妨设Ｔ＝［ａ，ｂ］为有限区间，且规定Ｘ（ａ）＝０，取ｔ，ｔ，ｔ，则当１＝ａ２＝ｔ３＝ｓ４＝ｔａ＜ｓ＜ｔ＜ｂ时，有　　　　　Ｅ［Ｘ（ｓ）（Ｘ（ｔ）－Ｘ（ｓ））］＝Ｅ［（Ｘ（ｓ）－Ｘ（ａ））（Ｘ（ｔ）－Ｘ（ｓ））］＝０，故　　　ＢＸ（ｓ，ｔ）＝ＲＸ（ｓ，ｔ）－ｍＸ（ｓ）ｍＸ（ｔ）＝ＲＸ（ｓ，ｔ）＝Ｅ［Ｘ（ｓ）Ｘ（ｔ）］＝Ｅ［Ｘ（ｓ）（Ｘ（ｔ）－Ｘ（ｓ）＋Ｘ（ｓ））］＝Ｅ［Ｘ（ｓ）（Ｘ（ｔ）－Ｘ（ｓ））］＋Ｅ［Ｘ（ｓ）Ｘ（ｓ）］＝σ ｓ）．Ｘ（同理，当ｂ＞ｓ＞ｔ＞ａ时，有
２Ｂｓ，ｔ）＝ＲＸ（ｓ，ｔ）＝σ （ｔ），Ｘ（Ｘ２
（２．５）
于是
２Ｂ（ｓ，ｔ）＝ＲＸ（ｓ，ｔ）＝σ ｍｉｎ（ｓ，ｔ））．ＸＸ（
二、独立增量过程
定义２．７　设｛Ｘ（ｔ），ｔ ∈Ｔ｝是随机过程，若对任意的正整数ｎ和ｔ１＜ｔ２＜…＜ｔ，随机变量Ｘ（ｔ（ｔ），Ｘ（ｔ（ｔ， …，Ｘ（ｔ）－Ｘ（ｔｎ∈ Ｔ２）－Ｘ１３）－Ｘ２）ｎｎ－１）
２５
是相互独立的，则称｛Ｘ（ｔ），ｔ ∈Ｔ｝是独立增量过程，又称可加过程．这种过程的特点是：它在任何的不相重叠的时间间隔上过程状态的改变是相互独立的．实际中，如服务系统在某段时间间隔内的“顾客”数，电话传呼站电话的“呼叫”数等均可用这种过程来描述．因为在不相重叠的时间间隔内，来到的 “ 顾客”数， “呼叫” 数都是相互独立的．正交增量过程与独立增量过程都是根据不相重叠的时间区间上随机过程增量的统计相依性来定义的，前者增量是互不相关，后者增量是相互独立．显然，正交增量过程不是独立增量过程；而独立增量过程只有在二阶矩存在，且均值函数恒为零的条件下是正交增量过程．定义２．８　设｛Ｘ（ｔ），ｔ ∈Ｔ｝是独立增量随机过程，若对任意ｓ＜ｔ，随机变量Ｘ（ｔ）－Ｘ（ｓ）的分布仅依赖于ｔ－ｓ，则称｛Ｘ（ｔ），ｔ∈ Ｔ｝是平稳独立增量过程．例２．１０　考虑一种设备（它可以是灯泡、汽车轮胎或某种电子元件）一直使用到损坏为止，然后换上同类型的设备．假设设备的使用寿命是随机变量，记作Ｘ，则相继换上的设备寿命是与Ｘ同分布的独立随机变量ＸＸ …，其中Ｘ１，２，ｋ为第ｋ个设备的使用寿命．设Ｎ（ｔ）为在时间段［０，ｔ］内更换设备的件数，则｛Ｎ（ｔ），ｔ ≥０｝是随机过程．对于任意０≤ｔｔＮ（ｔ），Ｎ（ｔ）－Ｎ（ｔ）， …，１＜…＜ｎ，１２１Ｎ（ｔ）－Ｎ（ｔ［０，ｔ］，［ｔｔ］， …，［ｔｔｎｎ－１）分别表示在时间段１１，２ｎ－１，ｎ］更换设备的件数，可以认为它们是相互独立的随机变量，所以，｛Ｎ（ｔ），ｔ ≥０｝是独立增量过程．另外，对于任意ｓ＜ｔ，Ｎ－ｓ，故｛Ｎ（ｔ），ｔ ≥０｝是平稳ｔ－Ｎｓ的分布仅依赖于ｔ独立增量过程．例２．１１　考虑液体表面物质的运动．设Ｘ（ｔ）表示悬浮在液面上微粒位置的横坐标，则｛Ｘ（ｔ），ｔ ≥０｝是随机过程．由于微粒的运动是大量分子的随机碰撞引起的，因此，｛Ｘ（ｔ），ｔ ≥ ０｝是平稳独立增量过程．平稳独立增量过程是一类重要的随机过程，后面将提到的维纳过程和泊松过程都是平稳独立增量过程．
三、马尔可夫过程
定义２．９　设｛Ｘ（ｔ），ｔ ∈Ｔ｝为随机过程，若对任意正整数ｎ及ｔ …，１＜ｔ２，＜ｔＰ（Ｘ（ｔ …，Ｘ（ｔ＝ｘ）＞０，且其条件分布ｎ，１）＝ｘ１，ｎ－１）ｎ－１　Ｐ｛Ｘ（ｔ）≤ ｘ｜Ｘ（ｔ …，Ｘ（ｔ）＝ｘ｝ｎｎ１）＝ｘ１，ｎ－１ｎ－１＝Ｐ｛Ｘ（ｔ）≤ ｘ｜Ｘ（ｔｎｎｎ－１）＝ｘｎ－１｝，则称｛Ｘ（ｔ），ｔ ∈Ｔ｝为马尔可夫过程．（２．６）式称为过程的马尔可夫性（或无后效性）．它表示若已知系统的现在状（２．６）
２６
态，则系统未来所处状态的概率规律性就已确定，而不管系统是如何到达现在的状态．换句话说，若把ｔ ”，则ｔ而ｔｔ …，ｔｎ－１看作“现在ｎ就是“未来”，１，２，ｎ－２就是 “ 过去”， “Ｘ（ｔ）＝ｘ ”表示系统在时刻ｔ（２．６）式说明，系统在已知ｉｉｉ处于状态ｘｉ．现在所处状态的条件下，它将来所处的状态与过去所处的状态无关．马尔可夫过程｛Ｘ（ｔ），ｔ ∈Ｔ｝，其状态空间Ｉ和参数集Ｔ可以是连续的，也可以是离散的．有关马尔可夫过程的进一步讨论，我们将在第四章和第五章进行．
四、正态过程和布朗过程
定义２．１０　设｛Ｘ（ｔ），ｔ ∈Ｔ｝是随机过程，若对任意正整数ｎ和ｔｔ …，１，２，ｔ，（Ｘ（ｔＸ（ｔ， …，Ｘ（ｔ））是ｎ维正态随机变量，则称｛Ｘ（ｔ），ｔ ∈Ｔ｝是ｎ ∈Ｔ１），２）ｎ正态过程或高斯过程．由于正态过程的一阶矩和二阶矩存在，所以正态过程是二阶矩过程．显然，正态过程只要知道其均值函数ｍＸ（ｔ）和协方差函数Ｂｓ，ｔ）（或相Ｘ（关函数ＲＸ（ｓ，ｔ）），即可确定其有限维分布．正态过程在随机过程中的重要性，类似于正态随机变量在概率论中的地位．这是由于在实际问题中，尤其是在电讯技术中正态过程有着广泛的应用．正态过程的一种特殊情形— — —维纳过程，在现代随机过程理论和应用中也有重要意义．定义２．１１　设｛Ｂ（ｔ），－∞＜ｔ＜∞ ｝为随机过程，如果（１）Ｂ（０）＝０；（２）它是独立、平稳增量过程；
２２（３）Ｐｓ，ｔ，增量Ｂ（ｔ）－Ｂ（ｓ）～Ｎ（０， σ ｜ｔ－ｓ｜）， σ ＞０，则称｛Ｂ（ｔ），
－∞＜ｔ＜∞｝为维纳过程，也称布朗运动．当σ ＝１时，称为标准布朗运动．这类过程常用来描述通信中的电流热噪声等．定理２．３　设｛Ｂ（ｔ），－∞＜ｔ＜∞｝是参数为 σ 的布朗运动，则（１）对任意ｔ ∈（－∞， ∞），Ｂ（ｔ）～Ｎ（０， σ｜ｔ｜）；（２）对任意－∞＜ａ＜ｓ，ｔ＜∞，Ｅ［（Ｂ（ｓ）－Ｂ（ａ））（Ｂ（ｔ）－Ｂ（ａ））］＝σ ｍｉｎ（ｓ－ａ，ｔ－ａ），特别，ＲＷ（ｓ，ｔ）＝σ ｍｉｎ（ｓ，ｔ）．证　（１）显然．下证（２），不妨设ｓ ≤ｔ，则　　Ｅ［（Ｂ（ｓ）－Ｂ（ａ））（Ｂ（ｔ）－Ｂ（ａ））］＝Ｅ［（Ｂ（ｓ）－Ｂ（ａ））（Ｂ（ｔ）－Ｂ（ｓ）＋Ｂ（ｓ）－Ｂ（ａ））］＝Ｅ［（Ｂ（ｓ）－Ｂ（ａ））（Ｂ（ｔ）－Ｂ（ｓ））］＋Ｅ（Ｂ（ｓ）－Ｂ（ａ））＝Ｅ（Ｂ（ｓ）－Ｂ（ａ））＝σ（ｓ－ａ），
２２２２２２２
２７
所以
２Ｅ［（Ｂ（ｓ）－Ｂ（ａ））（Ｂ（ｔ）－Ｂ（ａ））］＝σ ｍｉｎ（ｓ－ａ，ｔ－ａ），
证毕．
五、平稳过程
定义２．１２　设｛Ｘ（ｔ），ｔ ∈Ｔ｝是随机过程，如果对任意常数 τ和正整数ｎ，ｔｔ …，ｔ，ｔ，ｔ， …，ｔ ∈ Ｔ，（Ｘ（ｔＸ（ｔ …，Ｘ（ｔ））与１，２，ｎ ∈Ｔ１＋τ ２＋τ ｎ＋τ １），２），ｎ（Ｘ（ｔ），Ｘ（ｔ）， …，Ｘ（ｔ））有相同的联合分布，则称｛Ｘ（ｔ），ｔ ∈Ｔ｝１＋τ ２＋τ ｎ＋τ 为严平稳过程，也称狭义平稳过程．严平稳过程描述的物理系统，其任意的有限维分布不随时间的推移而改变．由于随机过程的有限维分布有时无法确定，下面给出一种在应用上和理论上更为重要的另一种平稳过程的概念．定义２．１３　设｛Ｘ（ｔ），ｔ ∈Ｔ｝是随机过程，如果（１）｛Ｘ（ｔ），ｔ ∈Ｔ｝是二阶矩过程；（２）对任意ｔ ∈ Ｔ，ｍＸ（ｔ）＝ＥＸ（ｔ）＝常数；（３）对任意ｓ，ｔ ∈ Ｔ，ＲＸ（ｓ，ｔ）＝Ｅ［Ｘ（ｓ）Ｘ（ｔ）］＝Ｒｓ－ｔ），则称｛Ｘ（ｔ），Ｘ（ｔ ∈Ｔ｝为广义平稳过程，简称为（宽）平稳过程．若Ｔ为离散集，则称平稳过程｛Ｘ（ｔ），ｔ ∈Ｔ｝为平稳序列．显然，广义平稳过程不一定是严平稳过程；反之，严平稳过程只有当其二阶矩存在时为广义平稳过程．值得注意的是，对正态过程来说，二者是一样的．例２．１２　设随机过程Ｘ（ｔ）＝Ｙｃｏｓ（ θ ｔ）＋Ｚｓｉｎ（ θ ｔ），　ｔ＞０，
２其中，Ｙ，Ｚ是相互独立的随机过程，且ＥＹ＝ＥＺ＝０，ＤＹ＝ＤＺ＝σ ，则由例２．５
知ｍＸ（ｔ）≡０，ＲＸ（ｓ，ｔ）＝σｃｏｓ［（ｔ－ｓ） θ ］，故｛Ｘ（ｔ），ｔ＞０｝为广义平稳过程．例２．１３　设｛Ｘ（ｔ），－ ∞ ＜ｔ＜ ∞｝是均值为零的正交增量过程．Ｅ｜Ｘ（ｔ）－Ｘ（ｔ）｜＝｜ｔ｜，若２１２－ｔ１Ｙ（ｔ）＝Ｘ（ｔ）－Ｘ（ｔ－２），证明｛Ｙ（ｔ），－∞＜ｔ＜∞｝是（宽）平稳过程．证　只要验证｛Ｙ（ｔ），－∞＜ｔ＜∞｝满足平稳过程的定义即可．（１）ＥＹ（ｔ）＝Ｅ［Ｘ（ｔ）－Ｘ（ｔ－２）］＝ＥＸ（ｔ）－ＥＸ（ｔ－２）＝０．（２）对Ｐ τ ∈Ｒ
２２
２８
　　ＲＹ（ｔ＋τ ，ｔ）＝Ｅ［Ｙ（ｔ＋τ ）Ｙ（ｔ）］＝Ｅ［Ｘ（ｔ＋τ ）－Ｘ（ｔ＋τ－２）］［Ｘ（ｔ）－Ｘ（ｔ－２）］．由于Ｘ（ｔ）是正交增量过程，利用其增量在不相重叠的时间区间正交这一性质对 τ进行讨论．（ｉ）若｜ τ ｜≥ ２，则ＲＹ（ｔ＋τ ，ｔ）＝０．（ｉｉ）若０≤τ ＜２，则ＲＹ（ｔ＋τ，ｔ）＝Ｅ［（Ｘ（ｔ＋τ ）－Ｘ（ｔ））＋（Ｘ（ｔ）－Ｘ（ｔ＋τ －２））］・　［（Ｘ（ｔ）－Ｘ（ｔ＋τ －２））＋（Ｘ（ｔ＋τ －２）－Ｘ（ｔ－２））］＝Ｅ［Ｘ（ｔ）－Ｘ（ｔ＋τ－２）］＝２－τ．（ｉｉｉ）若－２＜τ ＜０，则Ｒｔ＋τ ，ｔ）＝Ｅ［（Ｘ（ｔ＋τ ）－Ｘ（ｔ－２））＋（Ｘ（ｔ－２）－Ｘ（ｔ＋τ －２））］・Ｙ（　［（Ｘ（ｔ）－Ｘ（ｔ＋τ ））＋（Ｘ（ｔ＋τ ）－Ｘ（ｔ－２））］
２＝Ｅ［Ｘ（ｔ＋τ ）－Ｘ（ｔ－２）］＝２＋τ ．２
因此ＲＹ（ τ ）＝Ｒｔ＋τ，ｔ）＝Ｙ（与ｔ无关．

２（３）Ｅ｜Ｙ（ｔ）｜＝ＲＹ（０）＝２＜∞．
２－｜ τ ｜，｜ τ ｜＜２，０，｜ τ ｜ ≥２
故由（１），（２），（３）知｛Ｙ（ｔ），－∞＜ｔ＜∞｝是平稳随机过程．
习　题　二
２．１　设随机过程Ｘ（ｔ）＝Ｖｔ＋ｂ，ｔ ∈（０， ∞），ｂ为常数，Ｖ为服从正态分布Ｎ（０，１）的随机变量．求Ｘ（ｔ）的一维概率密度、均值和相关函数．２．２　设随机变量Ｙ具有概率密度ｆ（ｙ），令
－ＹｔＸ（ｔ）＝ｅ　（ｔ＞０，Ｙ＞０），
求随机过程Ｘ（ｔ）的一维概率密度及ＥＸ（ｔ），Ｒ（ｔｔ）．Ｘ１，２２．３　若从ｔ＝０开始每隔１／２秒抛掷一枚均匀的硬币做试验，定义随机过程Ｘ（ｔ）＝ｃｏｓ（ π ｔ），ｔ时刻抛得正面，２ｔ，ｔ时刻抛得反面，
试求：（１）Ｘ（ｔ）的一维分布函数Ｆ（１／２；ｘ），Ｆ（１；ｘ）；（２）Ｘ（ｔ）的二维分布函数Ｆ（１／２，１；ｘｘ）；１，２

２２（３）Ｘ（ｔ）的均值ｍＸ（ｔ），ｍＸ（１），方差 σ ｔ）， σ １）．Ｘ（Ｘ（
２．４　设有随机过程Ｘ（ｔ）＝Ａｃｏｓ（ ω ｔ）＋Ｂｓｉｎ（ω ｔ），其中 ω为常数，Ａ，Ｂ是相互独立且

２服从正态Ｎ（０， σ ）的随机变量，求随机过程的均值和相关函数．
２．５　已知随机过程Ｘ（ｔ）的均值函数ｍＸ（ｔ）和协方差函数Ｂｔｔ）， φ （ｔ）为普通函Ｘ（１，２
习　题　二数，令Ｙ（ｔ）＝Ｘ（ｔ）＋φ （ｔ），求随机过程Ｙ（ｔ）的均值和协方差函数．
２９
２．６　设随机过程Ｘ（ｔ）＝Ａｓｉｎ（ ω ｔ＋Θ ），其中Ａ， ω为常数， Θ 是在（－π ， π ）上的均匀分

２布的随机变量，令Ｙ（ｔ）＝Ｘ（ｔ），求Ｒｔ，ｔ＋τ ）和ＲＸＹ（ｔ，ｔ＋τ ）．Ｙ（２２．７　设随机过程Ｘ（ｔ）＝Ｘ＋Ｙｔ＋Ｚｔ，其中Ｘ，Ｙ，Ｚ是相互独立的随机变量，且具有均
值为零，方差为１，求随机过程Ｘ（ｔ）的协方差函数．２．８　设Ｘ（ｔ）为实随机过程，ｘ为任意实数，令Ｙ（ｔ）＝１，Ｘ（ｔ）≤ ｘ，０，Ｘ（ｔ）＞ｘ，
证明随机过程Ｙ（ｔ）的均值函数和相关函数分别为Ｘ（ｔ）的一维和二维分布函数．２．９　设ｆ（ｔ）是一个周期为Ｔ的周期函数，随机变量Ｙ在（０，Ｔ）上均匀分布，令Ｘ（ｔ）＝ｆ（ｔ－Ｙ），求证随机过程Ｘ（ｔ）满足Ｅ［Ｘ（ｔ）Ｘ（ｔ＋τ ）］＝１Ｔ（ｔ）ｆ（ｔ＋τ ）ｄｔ． ∫ｆ
０Ｔ
２２．１０　设随机过程Ｘ（ｔ）的协方差函数为ＢＸ（ｔｔ方差函数为 σ （ｔ），试证１，２），Ｘ
（１）｜Ｂ（ｔｔ）｜≤σ （ｔ σ （ｔ）；Ｘ１，２Ｘ１）Ｘ２（２）｜Ｂ（ｔｔ）｜≤ Ｘ１，２１２２［ σ（ｔ）＋σ ｔ）］．Ｘ（２２Ｘ１
２．１１　设随机过程Ｘ（ｔ）和Ｙ（ｔ）的互协方差函数为Ｂｔｔ），试证ＸＹ（１，２｜ＢＸＹ（ｔｔ）｜≤σ ｔ）σ ｔ）．１，２Ｘ（１Ｙ（２

Ｎ
２．１２　设随机过程Ｘ（ｔ）＝
∑ Ａｅ
ｋｋ＝１
ｉ（ω ｔ＋ Φ ）ｋ
，其中 ω 为常数，Ａｋ为第ｋ个信号的随机振
幅， Φ （０，２ π ）上均匀分布的随机相位．所有随机变量Ａ Φ （ｋ＝１，２， …，Ｎ）以及它们之ｋ是在ｋ，ｋ间都是相互独立的．求Ｘ（ｔ）的均值和协方差函数．２．１３　设｛Ｘ（ｔ），ｔ ≥０｝是实正交增量过程，Ｘ（０）＝０，Ｖ是标准正态随机变量．若对任意的ｔ ≥０，Ｘ（ｔ）与Ｖ相互独立，令Ｙ（ｔ）＝Ｘ（ｔ）＋Ｖ，求随机过程｛Ｙ（ｔ），ｔ ≥０｝的协方差函数．
ｎ
２．１４　设随机过程Ｙｎ＝
其中Ｘ（ｊ＝１，２， …，ｎ）是相互独立的随机变量，且 ∑ Ｘ，

ｊｊｊ＝１
Ｐ｛Ｘ｝＝ｐ，Ｐ｛Ｘ｝＝１－ｐ＝ｑ，ｊ＝１ｊ＝０求｛Ｙｎ＝１，２， …｝的均值函数和协方差函数．ｎ，２．１５　设Ｙ，Ｚ是独立同分布随机变量．Ｐ（Ｙ＝１）＝Ｐ（Ｙ＝－１）＝１／２，Ｘ（ｔ）＝Ｙｃｏｓ（ θ ｔ）＋Ｚｓｉｎ（θ ｔ），－∞ ＜ｔ＜∞，其中 θ为常数．证明随机过程｛Ｘ（ｔ），－ ∞＜ｔ＜ ∞｝是广义平稳过程，但不是严平稳过程．
２－α ｔ２α ｔ２．１６　设｛Ｗ（ｔ），－ ∞ ＜ｔ＜ ∞｝是参数为 σ 的维纳过程，令Ｘ（ｔ）＝ｅＷ（ｅ），
－∞＜ｔ＜ ∞， α ＞０为常数．证明｛Ｘ（ｔ），－∞＜ｔ＜∞｝是平稳正态过程，相关函数ＲＸ（ τ ）＝

２－α ｜ σ ｅ｜τ ．
２．１７　设｛Ｘ（ｔ），ｔ ≥０｝是维纳过程，Ｘ（０）＝０，试求它的有限维概率密度函数族．
第三章　泊松过程
泊松过程是一类较为简单的时间连续状态离散的随机过程．泊松过程在物理学、地质学、生物学、医学、天文学、服务系统和可靠性理论等领域中都有广泛的应用．
§ ３．１　泊松过程的定义和例子
我们先看一个例子．例３．１　设电话交换机在［０，ｔ］内收到的呼叫数为Ｘ（ｔ），ｔ ≥０，则｛Ｘ（ｔ），ｔ ≥ ０｝是一个随机过程，且对任意给定的时刻ｔ，Ｘ（ｔ）是取非负整数的离散型随机变量．由于在不相重叠的时间间隔中收到的呼叫数是相互独立的，故｛Ｘ（ｔ），ｔ ≥ ０｝是独立增量过程．具有上述性质的现象在生活中还有许多，如某商店在［０，ｔ］内到达的顾客数，某车站在［０，ｔ］内的候车人数等．实际上，这类过程都可以用泊松过程来描述．下面，我们给出泊松过程的定义．定义３．１　称随机过程｛Ｎ（ｔ），ｔ ≥０｝为计数过程，若Ｎ（ｔ）表示到时刻ｔ为止已发生的“事件Ａ ”的总数，且Ｎ（ｔ）满足下列条件：（１）Ｎ（ｔ）≥０；（２）Ｎ（ｔ）取正整数值；（３）若ｓ＜ｔ，则Ｎ（ｓ）≤ Ｎ（ｔ）；（４）当ｓ＜ｔ时，Ｎ（ｔ）－Ｎ（ｓ）等于区间（ｓ，ｔ］中“事件Ａ ”发生的次数．如果计数过程Ｎ（ｔ）在不相重叠的时间间隔内，事件Ａ发生的次数是相互独立的，即若ｔ则在（ｔｔ（ｔ１＜ｔ２ ≤ｔ３＜ｔ４，１，２］内事件Ａ发生的次数Ｎ２）－Ｎ（ｔ）与在（ｔｔ（ｔ）－Ｎ（ｔ）相互独立，此时计数过１３，４］内事件Ａ发生的次数Ｎ４３程Ｎ（ｔ）是独立增量过程．若计数过程Ｎ（ｔ）在（ｔ，ｔ＋ｓ）内（ｓ＞０），事件Ａ发生的次数Ｎ（ｔ＋ｓ）－Ｎ（ｔ）仅与时间差ｓ有关，而与ｔ无关，则计数过程Ｎ（ｔ）是平稳增量过程．泊松过程是计数过程的最重要的类型之一，其定义如下：
§ ３．１　泊松过程的定义和例子
３１
定义３．２　称计数过程｛Ｘ（ｔ），ｔ ≥０｝为具有参数 λ＞０的泊松过程，若它满足下列条件：（１）Ｘ（０）＝０；（２）Ｘ（ｔ）是独立增量过程；（３）在任一长度为ｔ的区间中，事件Ａ发生的次数服从参数λ＞０的泊松分布，即对任意ｓ，ｔ ≥ ０，有Ｐ｛Ｘ（ｔ＋ｓ）－Ｘ（ｓ）＝ｎ｝＝ｅ
－λ ｔ
（ λ ｔ），ｎ＝０，１， …．ｎ！
（３．１）
注意，从条件（３）知泊松过程是平稳增量过程且Ｅ［Ｘ（ｔ）］＝ λ ｔ．由于， λ＝Ｅ［Ｘ（ｔ）］表示单位时间内事件Ａ发生的平均个数，故称 λ为此过程的速率或强ｔ度．从定义３．２中，我们看到，为了判定一个计数过程是泊松过程，必须证明它满足条件（１），（２）及（３）．条件（１）只是说明事件Ａ的计数是从ｔ＝０时开始的．条件（２）通常可从我们对过程了解的情况去验证．然而条件（３）的检验是非常困难的．为此，我们给出泊松过程的另一个定义．定义３．３　称计数过程｛Ｘ（ｔ），ｔ ≥０｝为具有参数 λ＞０的泊松过程，若它满足下列条件：（１）Ｘ（０）＝０；（２）Ｘ（ｔ）是独立、平稳增量过程；（３）Ｘ（ｔ）满足下列两式：Ｐ｛Ｘ（ｔ＋ｈ）－Ｘ（ｔ）＝１｝＝λ ｈ＋ｏ（ｈ），Ｐ｛Ｘ（ｔ＋ｈ）－Ｘ（ｔ）≥２｝＝ｏ（ｈ）．（３．２）
定义中的条件（３）说明，在充分小的时间间隔内，最多有一个事件发生，而不能有两个或两个以上事件同时发生．这种假设对于许多物理现象较容易得到满足．例３．２　考虑机器在（ｔ，ｔ＋ｈ］内发生故障这一事件．若机器发生故障，立即修理后继续工作，则在（ｔ，ｔ＋ｈ］内机器发生故障而停止工作的事件数构成一个随机点过程，它可以用泊松过程进行描述．下面我们来证明泊松过程的两种定义是等价的．定理３．１　定义３．２与定义３．３是等价的．证　首先证明定义３．２蕴含定义３．３．由于定义３．２的条件（３）中蕴含Ｘ（ｔ）为平稳增量过程，故只需证明条件（３）的等价性．由（３．１）式，对充分小的ｈ，有　　Ｐ｛Ｘ（ｔ＋ｈ）－Ｘ（ｔ）＝１｝＝Ｐ｛Ｘ（ｈ）－Ｘ（０）＝１｝＝ｅ
－λ ｈ
λ ｈｎ＝λ ｈ ∑ （－λ ｈ）／ｎ！，１！ｎ＝０
３２
　　Ｐ｛Ｘ（ｔ＋ｈ）－Ｘ（ｔ）≥２｝＝Ｐ｛Ｘ（ｈ）－Ｘ（０）≥２｝（ λ ｈ）＝ ∑ ｅ－ λｈ＝ｏ（ｈ）．ｎ！ｎ＝２故定义３．２蕴含定义３．３．下面再证定义３．３蕴含定义３．２．令Ｐ（ｔ）＝Ｐ｛Ｘ（ｔ）＝ｎ｝＝Ｐ｛Ｘ（ｔ）－Ｘ（０）＝ｎ｝．ｎ根据定义３．３之（２）和（３），有Ｐｔ＋ｈ）＝Ｐ｛Ｘ（ｔ＋ｈ）＝０｝＝Ｐ｛Ｘ（ｔ＋ｈ）－Ｘ（０）＝０｝０（＝Ｐ｛Ｘ（ｔ）－Ｘ（０）＝０，Ｘ（ｔ＋ｈ）－Ｘ（ｔ）＝０｝＝Ｐ｛Ｘ（ｔ）－Ｘ（０）＝０｝Ｐ｛Ｘ（ｔ＋ｈ）－Ｘ（ｔ）＝０｝＝Ｐ（ｔ）［１－λ ｈ＋ｏ（ｈ）］，０故Ｐ（ｔ＋ｈ）－Ｐｔ）００（ｏ（ｈ）＝－λ Ｐ（ｔ）＋．０ｈｈ令ｈ→０取极限得Ｐ ′ （ｔ）＝－λ Ｐｔ）　或　００（积分得ｌｎＰ（ｔ）＝－λ ｔ＋ｃ　或　Ｐ（ｔ）＝ｋｅ００由于Ｐ０）＝｛Ｐ（Ｘ（０））＝０｝＝１，代入上式得０（Ｐ（ｔ）＝ｅ．０类似地，对于ｎ≥ １有Ｐ（ｔ＋ｈ）＝Ｐ｛Ｘ（ｔ＋ｈ）＝ｎ｝ｎ＝Ｐ｛Ｘ（ｔ＋ｈ）－Ｘ（０）＝ｎ｝＝Ｐ｛Ｘ（ｔ）－Ｘ（０）＝ｎ，Ｘ（ｔ＋ｈ）－Ｘ（ｔ）＝０｝　＋Ｐ｛Ｘ（ｔ）－Ｘ（０）＝ｎ－１，Ｘ（ｔ＋ｈ）－Ｘ（ｔ）＝１｝
ｎ－λ ｔ－λ ｔ ∞ ｎ
Ｐ ′ ｔ）０（＝－λ ，Ｐ（ｔ）０．
　＋ ∑ Ｐ｛Ｘ（ｔ）－Ｘ（０）＝ｎ－ｊ，Ｘ（ｔ＋ｈ）－Ｘ（ｔ）＝ｊ｝．
ｊ＝２
由定义３．３的（２）和（３），得Ｐ（ｔ＋ｈ）＝Ｐ（ｔ）Ｐｈ）＋Ｐｔ）Ｐｈ）＋ｏ（ｈ）ｎｎ０（ｎ－１（１（＝（１－λ ｈ）Ｐ（ｔ）＋λ ｈＰｔ）＋ｏ（ｈ），ｎｎ－１（于是Ｐ（ｔ＋ｈ）－Ｐ（ｔ）ｏ（ｈ）ｎｎ＝－λ Ｐ（ｔ）＋λ Ｐｔ）＋．ｎｎ－１（ｈｈ令ｈ→０取极限得
§ ３．２　泊松过程的基本性质
３３
Ｐ ′ （ｔ）＝－λ Ｐ（ｔ）＋λ Ｐ（ｔ），ｎｎｎ－１所以
λ ｔ λ ｔｅ［Ｐ ′ （ｔ）＋λ Ｐ（ｔ）］＝λ ｅＰ（ｔ），ｎｎｎ－１
因此ｄ λｔ λ ｔ［ｅＰ（ｔ）］＝λ ｅＰ（ｔ）．ｎｎ－１ｄｔ当ｎ＝１时，得ｄ λｔ λ ｔ λ ｔ－λ ｔ［ｅＰ（ｔ）］＝λ ｅＰ（ｔ）＝λ ｅｅ＝λ，１０ｄｔＰ（ｔ）＝（ λ ｔ＋ｃ）ｅ．１由于Ｐ０）＝０，代入上式得１（Ｐ（ｔ）＝λ ｔｅ．１ λ ｔ）－λ ｔ（下面用归纳法证明Ｐｔ）＝ｅ成立．假设ｎ－１时（３．１）式成立，根据ｎ（ｎ！（３．３）式，有ｄ λ λ ｔ） λ （ λ ｔ） λ ｔ（－λ ｔ［ｅｔＰ（ｔ）］＝λ ｅｅ＝，ｎｄｔ（ｎ－１）！（ｎ－１）！积分得（λ ｔ）ｎ λ ｔｅＰ（ｔ）＝＋ｃ．ｎｎ！由于Ｐ（０）＝Ｐ｛Ｘ（０）＝ｎ｝＝０，代入上式得ｎ（λ ｔ）－λ ｔＰ（ｔ）＝ｅ．ｎｎ！由条件（２），有Ｐ｛Ｘ（ｔ＋ｓ）－Ｘ（ｓ）＝ｎ｝＝ｅ故定义３．３蕴含定义３．２，证毕．
－λ ｔｎｎ－１ｎ－１ｎ－λ ｔ－λ ｔ
（３．３）
（ λ ｔ），ｎ＝０，１， … ｎ！
一、数字特征
根据泊松过程的定义，我们可以导出泊松过程的几个常用的数字特征．设｛Ｘ（ｔ），ｔ ≥０｝是泊松过程，对任意的ｔ，ｓ ∈［０， ∞），且ｓ＜ｔ，有Ｅ［Ｘ（ｔ）－Ｘ（ｓ）］＝Ｄ［Ｘ（ｔ）－Ｘ（ｓ）］＝λ （ｔ－ｓ），
３４
由于Ｘ（０）＝０，故ｍＸ（ｔ）＝Ｅ［Ｘ（ｔ）］＝Ｅ［Ｘ（ｔ）－Ｘ（０）］＝λ ｔ， σ（ｔ）＝Ｄ［Ｘ（ｔ）］＝Ｄ［Ｘ（ｔ）－Ｘ（０）］＝λ ｔ，ＲＸ（ｓ，ｔ）＝Ｅ［Ｘ（ｓ）Ｘ（ｔ）］＝Ｅ｛Ｘ（ｓ）［Ｘ（ｔ）－Ｘ（ｓ）＋Ｘ（ｓ）］｝＝Ｅ［Ｘ（ｓ）－Ｘ（０）］［Ｘ（ｔ）－Ｘ（ｓ）］＋Ｅ［Ｘ（ｓ）］＝Ｅ［Ｘ（ｓ）－Ｘ（０）］Ｅ［Ｘ（ｔ）－Ｘ（ｓ）］

２　＋Ｄ［Ｘ（ｓ）］＋｛Ｅ［Ｘ（ｓ）］｝２２Ｘ
（３．４）
＝λ ｓ λ （ｔ－ｓ）＋λ ｓ＋（ λ ｓ）
２＝λ ｓｔ＋λ ｓ＝λ ｓ（ λ ｔ＋１），
Ｂｓ，ｔ）＝ＲＸ（ｓ，ｔ）－ｍＸ（ｓ）ｍＸ（ｔ）＝λ ｓ．Ｘ（一般，泊松过程的协方差函数可以表示为ＢＸ（ｓ，ｔ）＝λ ｍｉｎ（ｓ，ｔ）．易知，泊松过程的特征函数为ｇｕ）＝Ｅ［ｅＸ（
ｉｕＸ（ｔ）
（３．５）（３．６）
］＝ｅｘｐ｛ λ ｔ（ｅ－１）｝．
ｉｕ
二、时间间隔与等待时间的分布
如果我们用泊松过程来描述服务系统接受服务的顾客数，则顾客到来接受服务的时间间隔、顾客排列的等待时间等分布问题都需要进行研究．下面我们对泊松过程与时间特征有关的分布进行较为详细的讨论．设｛Ｘ（ｔ），ｔ ≥０｝是泊松过程，令Ｘ（ｔ）表示ｔ时刻事件Ａ发生（顾客出现）的次数，Ｗ１，Ｗ２， …分别表示第一次，第二次， ……事件Ａ发生的时间，Ｔ（ｎ≥ ｎ１）表示从第（ｎ－１）次事件Ａ发生到第ｎ次事件Ａ发生的时间间隔（如图３．１所示）．
图３．１
通常，称Ｗｎ为第ｎ次事件Ａ出现的时刻或第ｎ次事件Ａ的等待时间，Ｔｎ是第ｎ个时间间隔，它们都是随机变量．利用泊松过程中事件Ａ发生的对应的时间间隔关系，可以研究各次事件间的时间间隔分布．定理３．２　设｛Ｘ（ｔ），ｔ ≥０｝是具有参数 λ的泊松过程，｛Ｔｎ≥１｝是对应ｎ，的时间间隔序列，则随机变量Ｔｎ（ｎ＝１，２， … ）是独立同分布的均值为１／ λ的指
３５
数分布．证　首先注意到事件｛Ｔ｝发生当且仅当泊松过程在区间［０，ｔ］内没有１＞ｔ事件发生，因而Ｐ｛Ｔ｝＝Ｐ｛Ｘ（ｔ）＝０｝＝ｅ１＞ｔ即Ｆｔ）＝Ｐ｛Ｔ｝＝１－Ｐ｛Ｔ｝＝１－ｅＴ（１ ≤ｔ１＞ｔ

１－λ ｔ－λ ｔ
，，
所以Ｔ／ λ的指数分布．利用泊松过程的独立、平稳增量性质，有１服从均值为１Ｐ｛Ｔ｜Ｔ｝２＞ｔ１＝ｓ＝Ｐ｛在（ｓ，ｓ＋ｔ］内没有事件发生｜Ｔ｝１＝ｓ＝Ｐ｛在（ｓ，ｓ＋ｔ］内没有事件发生｝＝Ｐ｛Ｘ（ｔ＋ｓ）－Ｘ（ｓ）＝０｝

－λ ｔ＝Ｐ｛Ｘ（ｔ）－Ｘ（０）＝０｝＝ｅ，
即Ｆｔ）＝Ｐ｛Ｔ｝＝１－Ｐ｛Ｔ｝＝１－ｅＴ（２ ≤ｔ２＞ｔ
２－λ ｔ
故Ｔ／ λ的指数分布．２也是服从均值为１对于任意ｎ≥ １和ｔ，ｓｓ …，ｓ有１，２，ｎ－１ ≥０，　　　　Ｐ｛Ｔ｜Ｔ …，Ｔｎ－１＝ｓ｝ｎ＞ｔ１＝ｓ１，ｎ－１＝Ｐ｛Ｘ（ｔ＋ｓ（ｓ｝１＋…＋ｓｎ－１）－Ｘ１＋ｓ２＋…＋ｓｎ－１）＝０＝Ｐ｛Ｘ（ｔ）－Ｘ（０）＝０｝＝ｅ，即ＦＴ（ｔ）＝Ｐ｛Ｔ｝＝１－ｅ，ｎ ≤ｔ
ｎ－λ ｔ－λ ｔ
所以对任一Ｔｎ（ｎ ≥１），其分布是均值为１／ λ的指数分布．定理３．２说明，对于任意ｎ＝１，２， …事件Ａ相继到达的时间间隔Ｔｎ的分布为Ｆｔ）＝Ｐ｛Ｔ｝＝Ｔ（ｎ ≤ｔ
ｎ
１－ｅ，ｔ ≥０，０，ｔ＜０，
－λ ｔ
其概率密度为ｆｔ）＝ｔ（
ｎ－λ ｔ λ ｅ，ｔ ≥０，
０，
ｔ＜０．
注意，定理３．２的结论是在平稳独立增量过程的假设前提下得到的，该假设的概率意义是指过程在任意时刻都从头开始，即从任何时刻起过程独立于先前已发生的一切（由独立增量），且有与原过程完全一样的分布（由平稳增量）．由于指数分布的无记忆性特征，因此时间间隔的指数分布是预料之中的．
３６
另一个感兴趣的是等待时间Ｗｎ的分布，即第ｎ次事件Ａ到达的时间分布．因
ｎ
Ｗｎ＝
Ｔｎ ≥１）．ｉ　（
ｉ＝１
由定理３．２知，Ｗｎ是ｎ个相互独立的指数分布随机变量和，故用特征函数方法，我们立即可以得到如下结论．定理３．３　设｛Ｗｎ，ｎ≥１｝是与泊松过程｛Ｘ（ｔ），ｔ ≥０｝对应的一个等待时间序列，则Ｗｎ服从参数为ｎ与λ的 Γ分布，其概率密度为ｆｔ）＝Ｗ（
ｎ
λ ｅ
－λ ｔ
（ λ ｔ）ｎ－１，ｔ ≥０，（ｎ－１）！
（３．７）
０，ｔ＜０．定理３．３也可以用下述方法导出．注意到第ｎ个事件在时刻ｔ或ｔ之前发生当且仅当到时间ｔ已发生的事件数目至少是ｎ，即Ｘ（ｔ）≥ ｎＺＷｎ ≤ｔ．因此

∞
３．８（ λ ｔ）．ｊ！
ｊ－１ｊ
Ｐ｛Ｗｎ ≤ｔ｝＝Ｐ｛Ｘ（ｔ）≥ｎ｝＝对上式求导，得Ｗｎ的概率密度是

∞
６
∞
－λ ｔ
ｊ＝ｎ
ｆｔ）＝－６ λ ｅＷ（
ｎｊ＝ｎ－λ ｔ
－λ ｔ
（ λ ｔ）＋ｊ！
λ ｅ
－λ ｔ
ｊ＝ｎ
（ λ ｔ）（ｊ－１）！
（ λ ｔ）＝λ ｅ．（ｎ－１）！（３．７）式又称为爱尔兰分布，它是ｎ个相互独立且服从指数分布的随机变量之和的概率密度．例３．３　已知仪器在［０，ｔ］内发生振动的次数Ｘ（ｔ）是具有参数 λ的泊松过程．若仪器振动ｋ（ｋ≥ １）次就会出现故障，求仪器在时刻ｔ０正常工作的概率．解　依题意知故障时刻Ｔ就是发生第ｋ次振动的时刻，由定理３．３知Ｔ的概率密度为ｆｔ）＝Ｔ（ λ ｅ
－λ ｔ
ｎ－１
（λ ｔ），ｔ ≥０，（ｎ－１）！ｔ＜０．

∞
ｎ－１
０，故仪器在时刻ｔ０正常工作的概率为ｐ＝Ｐ（Ｔ＞ｔ＝０）
λ ｅ
－λ ｔ
ｔ０
（ λ ｔ）ｎ－１ｄｔ．（ｎ－１）！
三、到达时间的条件分布
假设在［０，ｔ］内事件Ａ已经发生一次，我们要确定这一事件到达时间Ｗ１
３７
的分布．因为泊松过程有平稳独立增量，故有理由认为［０，ｔ］内长度相等的区间包含这个事件的概率应该相同．换言之，这个事件的到达时间应在［０，ｔ］上服从均匀分布．事实上，对ｓ＜ｔ有Ｐ｛Ｗ１ ≤ｓ｜Ｘ（ｔ）＝１｝＝＝Ｐ｛Ｗ１ ≤ｓ，Ｘ（ｔ）＝１｝Ｐ｛Ｘ（ｔ）＝１｝
Ｐ｛Ｘ（ｓ）＝１，Ｘ（ｔ）－Ｘ（ｓ）＝０｝Ｐ｛Ｘ（ｔ）＝１｝Ｐ｛Ｘ（ｓ）＝１｝Ｐ｛Ｘ（ｔ）－Ｘ（ｓ）＝０｝＝Ｐ｛Ｘ（ｔ）＝１｝＝ λ ｓｅｅ－λ ｔ λ ｔｅ

－λ ｓ－λ （ｔ－ｓ）
ｓ，ｔｓ＜０，ｓ ≥ｔ；
即分布函数为０，ＦＷ分布密度为１，０≤ｓ＜ｔ，ｆＷ｜Ｘ（ｔ）＝１（ｓ）＝ｔ１０，其它．这个结果可以推广到一般情况．定理３．４　设｛Ｘ（ｔ），ｔ ≥０｝是泊松过程，已知在［０，ｔ］内事件Ａ发生ｎ次，则这ｎ次到达时间Ｗ１，Ｗ２， …，Ｗｎ与相应于ｎ个［０，ｔ］上均匀分布的独立随机变量的顺序统计量有相同的分布．证　令０≤ｔ，且取ｈｉ＝１，２， …，１＜…＜ｔｎ＋１＝ｔｉ充分小使得ｔｉ＋ｈｉ＜ｔｉ＋１（ｎ），则在给定Ｘ（ｔ）＝ｎ的条件下，我们有　　Ｐ｛ｔ …，ｔ｜Ｘ（ｔ）＝ｎ｝１≤Ｗ１ ≤ｔ１＋ｈ１，ｎ ≤ Ｗｎ ≤ ｔｎ＋ｈｎ＝＝因此Ｐ｛ｔｉ＝１， …，ｎ｜Ｘ（ｔ）＝ｎ｝ｎ！ｉ≤ Ｗｉ ≤ｔｉ＋ｈｉ，＝ｎ．ｈ１ …ｈｎｔ令ｈ我们得到Ｗ１， …，Ｗｎ在已知Ｘ（ｔ）＝ｎ的条件下的条件概率密度为ｉ →０，ｎ！，ｎ，０＜ｔ１＜ｔ２＜…＜ｔｎ＜ｔｔｆ（ｔ， …，ｔ｜Ｘ（ｔ）＝ｎ）＝１ｎ０，其它，Ｐ｛［ｔｔ］中有一事件，ｉ＝１， …，ｎ，［０，ｔ］的别处无事件｝ｉ，ｉ＋ｈｉＰ｛Ｘ（ｔ）＝ｎ｝ λ ｈ１ｅ
－λ ｈ１｜Ｘ（ｔ）＝１１
（ｓ）＝ｓ／ｔ，０≤ｓ＜ｔ，１，
…λ ｈｅｎｅｎ－λ ｔｎｅ（ λ ｔ）／ｎ！
－λ ｈ
－λ （ｔ－ｈ－ … －ｈ）１ｎ
ｎ！ｎｈ１ｈ２ …ｈｎ，ｔ
３８
证毕．例３．４　设在［０，ｔ］内事件Ａ已经发生ｎ次，且０＜ｓ＜ｉ，对于０＜ｋ＜ｎ，求Ｐ｛Ｘ（ｓ）＝ｋ｜Ｘ（ｔ）＝ｎ｝．解　利用条件概率及泊松分布得Ｐ｛Ｘ（ｓ）＝ｋ｜Ｘ（ｔ）＝ｎ｝＝　　＝Ｐ｛Ｘ（ｓ）＝ｋ，Ｘ（ｔ）＝ｎ｝Ｐ｛Ｘ（ｔ）＝ｎ｝
Ｐ｛Ｘ（ｓ）＝ｋ，Ｘ（ｔ）－Ｘ（ｓ）＝ｎ－ｋ｝Ｐ｛Ｘ（ｔ）＝ｎ｝

－λ ｓｋ（ λ ｓ） λ （ｔ－ｓ）］ｎ－ｋ－λ （ｔ－ｓ）［ｅｋ！（ｎ－ｋ）！ｎ（ λ ｔ）－λ ｔｅｎ！
ｅ　　＝
　　＝Ｃｎ这是一个参数为ｎ和
ｓｔ
１－
ｓｔ
ｎ－ｋ
ｓ的二项分布．ｔ
例３．５　设在［０，ｔ］内事件Ａ已经发生ｎ次，求第ｋ（ｋ＜ｎ）次事件Ａ发生的时间Ｗｋ的条件概率密度函数．解　先求条件概率Ｐ｛ｓ＜Ｗｋ≤ｓ＋ｈ｜Ｘ（ｔ）＝ｎ｝，再对ｓ求导．当ｈ充分小时，有　　Ｐ｛ｓ＜Ｗｋ ≤ｓ＋ｈ｜Ｘ（ｔ）＝ｎ｝＝Ｐ｛ｓ＜Ｗｋ ≤ｓ＋ｈ，Ｘ（ｔ）＝ｎ｝／Ｐ｛Ｘ（ｔ）＝ｎ｝＝Ｐ｛ｓ＜Ｗｋ ≤ｓ＋ｈ，Ｘ（ｔ）－Ｘ（ｓ＋ｈ）＝ｎ－ｋ｝ｅ（ λ ｔ）ｎ！
λ ｔ＝Ｐ｛ｓ＜Ｗｋ ≤ｓ＋ｈ｝Ｐ｛Ｘ（ｔ）－Ｘ（ｓ＋ｈ）＝ｎ－ｋ｝ｅ（ λ ｔ）－ｎｎ！． λ ｔ－ｎ
将上式两边除以ｈ，并令ｈ→ ０取极限，得　　　ｆＷ

｜Ｘ（ｔ）ｋ
（ｓ｜ｎ）＝ｌｉｍ
ｈ →０ｋ
Ｐ｛ｓ＜Ｗｋ ≤ｓ＋ｈ｜Ｘ（ｔ）＝ｎ｝ｈ
λ ｔ－ｎ＝ｆｓ）Ｐ｛Ｘ（ｔ）－Ｘ（ｓ）＝ｎ－ｋ｝ｅ（ λ ｔ）ｎ！Ｗ（
ｎ！ｓｓ＝１－ｋ（ｋ－１）！（ｎ－ｋ）！ｔｔ
ｋ
ｋ－１
ｎ－ｋ
其中Ｗｋ的概率密度ｆｓ）由定理３．３给出．由上式结果知，条件概率密度Ｗ（ｆＷ
｜Ｘ（ｔ）ｋ
（ｓ｜ｎ）是一个Ｂａｔａ分布．
例３．６　设｛Ｘｔ），ｔ ≥０｝和｛Ｘｔ），ｔ ≥０｝是两个相互独立的泊松过程，它１（２（们在单位时间内平均出现的事件数分别为 λ 记Ｗｋ为过程Ｘｔ）的第ｋ１和 λ ２．１（
２））次事件到达时间，Ｗ（为过程Ｘｔ）的第１次事件到达时间，求Ｐ｛Ｗ（１＜１２（ｋ（１）
３９
）Ｗ（２，即第一个泊松过程的第ｋ次事件发生比第二个泊松过程的第１次事件１｝
发生早的概率．解　设Ｗｋ的取值为ｘ，Ｗ１的取值为ｙ，由（３．７）式得

（１）（ｆｘ）＝Ｗｋ（１）（２）ｋ－１
λ ｅ１０，
－λ ｘ１
（ λ ）１ｘ，ｘ≥０，（ｋ－１）！ｘ＜０，
－λ ｙ２
ｆＷ（２）（ｙ）＝
１
λ ｅ２０，
，ｙ ≥ ０，ｙ＜０，
则Ｐ｛Ｗｋ＜Ｗ１｝＝ｆ（ｘ，ｙ）ｄｘｄｙ，
Ｄ（１）（２）
其中Ｄ为由ｙ＝ｘ与ｙ轴所围区域（如图３．２），ｆ（ｘ，ｙ）为Ｗｋ与Ｗ１的联合概率密度．由于Ｘｔ）与Ｘ（ｔ）相互独立，故１（２

（１）（（２）（ｆ（ｘ，ｙ）＝ｆｘ）ｆｙ），ＷＷｋ１（１）（２）
图３．２
ｋ－１
所以
１）（２）Ｐ｛Ｗ（ｋ＜Ｗ１｝＝
∫∫
０
（ λ ）１ｘ－λ ｘ－λ ｙ１２ｄ λ ｅ λｅｙｄｘ１（ｋ－１）！２
ｋ
λ １ λ ＋ λ １２
例３．７　仪器受到振动而引起损伤．若震动是按强度为 λ的泊松过程发生，第ｋ次震动引起的损伤为ＤＤＤ … 是独立同分布随机变量序列，且和ｋ，１，２，｛Ｎ（ｔ），ｔ ≥０｝独立，其中Ｎ（ｔ）表示［０，ｔ］时间段仪器受到震动次数．假设仪器受到震动而引起的损伤随时间按指数减小，即如果震动的初始损伤为Ｄ，则震动之后经过时间ｔ后减小为Ｄｅ（ α＞０）．若损伤是可叠加的，即在时刻ｔ的损
Ｎ（ｔ）－α ｔ
伤可表示为Ｄ（ｔ）＝Ｅ［Ｄ（ｔ）］．
－α （ｔ－ τ ）ｋ，Ｄｅ其中 τ 求ｋｋ为仪器受到第ｋ次震动的时刻，
ｋ＝１
Ｎ（ｔ）
解　　　Ｅ［Ｄ（ｔ）］＝Ｅ
Ｄｅｋ
Ｎ（ｔ）
－α （ｔ－τ）ｋ
ｋ＝１
＝ＥＥ由于
Ｎ（ｔ）
Ｄｅｋ
－α （ｔ－τ ）ｋ
｜Ｎ（ｔ）
ｋ＝１
　Ｅ
Ｄｅｋ
｜Ｎ（ｔ）＝ｎ
ｋ＝１
４０
ｎ
＝Ｅ
Ｄｅｋ
｜Ｎ（ｔ）＝ｎ
α τ ｋ｜Ｎｅ（ｔ）＝ｎ，
ｋ＝１ｎ
－α ｔ＝Ｅ（ＤｅＥ１）
ｋ＝１
由定理３．４知在Ｎ（ｔ）＝ｎ的条件下， τ ｋ＝１，２， …，ｎ是［０，ｔ］上相互独立的ｋ，均匀随机变量Ｕ（ｋ），ｋ＝１，２， …，ｎ的顺序统计量，故

ｎｎ
ｅｋ｜Ｎ（ｔ）＝ｎ＝Ｅ＝ｎ
α τ
ｋ＝１
ｅ
ｔ
αＵ（ｋ）
＝ｎ［Ｅｅ
α ｔ
αＵ（ｋ）
ｋ＝１ α ｘ
１ｔ
ｎ（ｅ－１）， ∫ｅｄｘ＝α ｔ
０
于是Ｅ［Ｄ（ｔ）｜Ｎ（ｔ）］＝所以Ｅ［Ｄ（ｔ）］＝Ｎ（ｔ）－α ｔ（１－ｅ）Ｅ（Ｄ１）， α ｔ
λ Ｅ（Ｄ１）－ α ｔ（１－ｅ）． α
§ ３．３　非齐次泊松过程
本节中我们推广泊松过程，允许时刻ｔ的来到强度（或速率）是ｔ的函数．定义３．４　称计数过程｛Ｘ（ｔ），ｔ ≥０｝为具有跳跃强度函数 λ （ｔ）的非齐次泊松过程，若它满足下列条件：（１）Ｘ（０）＝０；（２）Ｘ（ｔ）是独立增量过程；（３）Ｐ｛Ｘ（ｔ＋ｈ）－Ｘ（ｔ）＝１｝＝λ （ｔ）ｈ＋ｏ（ｈ），Ｐ｛Ｘ（ｔ＋ｈ）－Ｘ（ｔ）≥２｝＝ｏ（ｈ）．显然，非齐次泊松过程的均值函数为ｍＸ（ｔ）＝（ｓ）ｄｓ． ∫λ
０ｔｔ
（３．９）
对于非齐次泊松过程，其概率分布由下面的定理给出．定理３．５　设｛Ｘ（ｔ），ｔ ≥０｝是具有均值函数ｍＸ（ｔ）＝泊松过程，则有　　　　Ｐ｛Ｘ（ｔ＋ｓ）－Ｘ（ｔ）＝ｎ｝［ｍＸ（ｔ＋ｓ）－ｍＸ（ｔ）］＝ｅｘｐ｛－［ｍＸ（ｔ＋ｓ）－ｍＸ（ｔ）］｝　（ｎ≥０）ｎ！或
ｎ
（ｓ）ｄｓ的非齐次 ∫λ
０
§ ３．３　非齐次泊松过程
４１
［ｍＸ（ｔ）］ｎＰ｛Ｘ（ｔ）＝ｎ｝＝ｅｘｐ｛－ｍＸ（ｔ）｝　（ｎ≥０）．ｎ！证　沿着定理３．１的证明路线，稍加修改即可证明．对固定ｔ定义Ｐ（ｓ）＝Ｐ｛Ｘ（ｔ＋ｓ）－Ｘ（ｔ）＝ｎ｝，ｎ则有　　　Ｐｓ＋ｈ）＝Ｐ｛Ｘ（ｔ＋ｓ＋ｈ）－Ｘ（ｔ）＝０｝０（＝Ｐ｛在（ｔ，ｔ＋ｓ］中没事件，在（ｔ＋ｓ，ｔ＋ｓ＋ｈ］中没事件｝＝Ｐ｛在（ｔ，ｔ＋ｓ］中没事件｝Ｐ｛在（ｔ＋ｓ，ｔ＋ｓ＋ｈ］中没事件｝＝Ｐｓ）［１－λ （ｔ＋ｓ）ｈ＋ｏ（ｈ）］，０（其中最后第二个等式由非齐次泊松过程定义的条件（２）得到，而最后一个等式由条件（３）得到，因此Ｐ（ｓ＋ｈ）－Ｐｓ）ｏ（ｈ）００（＝－λ （ｔ＋ｓ）Ｐ（ｓ）＋，０ｈｈ令ｈ→０取极限，得Ｐ ′ ｓ）＝－λ （ｔ＋ｓ）Ｐ（ｓ）０（０或ｌｎＰ（ｓ）＝－０或
－［ｍ（ｔ＋ｓ）－ＸＰ（ｓ）＝ｅ０ｍ（ｔ）］Ｘ
（ｔ＋ｕ）ｄｕ ∫λ
０
同理　　Ｐ（ｓ＋ｈ）ｎ＝Ｐ｛Ｘ（ｔ＋ｓ＋ｈ）－Ｘ（ｔ）＝ｎ｝＝Ｐ｛（ｔ，ｔ＋ｓ］中有ｎ个事件，（ｔ＋ｓ，ｔ＋ｓ＋ｈ］中没事件｝　＋Ｐ｛（ｔ，ｔ＋ｓ］中有ｎ－１个事件，（ｔ＋ｓ，ｔ＋ｓ＋ｈ］中有１个事件｝　＋Ｐ｛（ｔ，ｔ＋ｓ］中有ｎ－２个事件，（ｔ＋ｓ，ｔ＋ｓ＋ｈ］中有２个事件｝　＋… ＝Ｐ（ｓ）［１－λ （ｔ＋ｓ）ｈ＋ｏ（ｈ）］＋Ｐ（ｓ）［ λ （ｔ＋ｓ）ｈ］＋ｏ（ｈ），ｎｎ－１因此Ｐ（ｓ＋ｈ）－Ｐ（ｓ）ｏ（ｈ）ｎｎ＝－λ （ｔ＋ｓ）Ｐ（ｓ）＋λ （ｔ＋ｓ）Ｐ（ｓ）＋，ｎｎ－１ｈｈ令ｈ→０取极限，得Ｐ ′ （ｓ）＝－λ （ｔ＋ｓ）Ｐ（ｓ）＋λ （ｔ＋ｓ）Ｐ（ｓ）．ｎｎｎ－１当ｎ＝１时，有Ｐ ′ ｓ）＝－λ （ｔ＋ｓ）Ｐｓ）＋λ （ｔ＋ｓ）Ｐ（ｓ）１（１（０
４２
＝－λ （ｔ＋ｓ）Ｐｓ）＋λ （ｔ＋ｓ）・１（　ｅｘｐ｛－［ｍＸ（ｔ＋ｓ）－ｍＸ（ｔ）］｝．上式是关于Ｐｓ）的一阶线性微分方程，利用初始条件Ｐ（０）＝０，可解得１（１Ｐｓ）＝［ｍＸ（ｔ＋ｓ）－ｍＸ（ｔ）］ｅｘｐ｛－［ｍＸ（ｔ＋ｓ）－ｍＸ（ｔ）］｝，１（再利用归纳法即可得证，证毕．１例３．８　设｛Ｘ（ｔ），ｔ ≥０｝是具有跳跃强度 λ （ｔ）＝（１＋ｃｏｓω ｔ）的非齐次泊２松过程（ω≠０）．求Ｅ［Ｘ（ｔ）］和Ｄ［Ｘ（ｔ）］．解　由（３．９）式得Ｅ［Ｘ（ｔ）］＝ｍＸ（ｔ）＝＝由（３．９）式知Ｄ［Ｘ（ｔ）］＝ｍＸ（ｔ）＝１１ｔ＋ｓｉｎω ｔ．２ ω （１＋ｃｏｓω ｓ）ｄｓ ∫１２
０ｔ
１１ｔ＋ｓｉｎω ｔ．２ ω
例３．９　设某路公共汽车从早晨５时到晚上９时有车发出．乘客流量如下：５时按平均乘客为２００人／时计算；５时至８时乘客平均到达率按线性增加，８时到达率为１４００人／时；８时至１８时保持平均到达率不变；１８时到２１时从到达率１４００人／时按线性下降，到２１时为２００人／时．假定乘客数在不相重叠时间间隔内是相互独立的．求１２时至１４时有２０００人来站乘车的概率，并求出两小时内来站乘车人数的数学期望．解　将时间５时至２１时平移为０时至１６时，依题意得乘客到达率为２００＋４００ｔ， λ （ｔ）＝１４００，乘客到达率与时间关系如图３．３所示．０≤ｔ ≤３，３＜ｔ ≤１３，
１４００－４００（ｔ－１３），１３＜ｔ ≤１６．
图３．３
§ ３．４　复合泊松过程
４３
　　由题意知乘客数Ｘ的变化可用非齐次泊松过程描述．因为ｍＸ（９）－ｍＸ（７）＝００ｄｓ＝２８００， ∫１４

７２０００９
所以在１２时至１４时有２０００名乘客到达的概率为２８００Ｒ｛Ｘ（９）－Ｘ（７）＝２０００｝＝ｅ－２８００．２０００！１２时至１４时乘客数的数学期望为ｍＸ（９）－ｍＸ（７）＝２８００（人）．例３．１０　设｛Ｘ（ｔ），ｔ ≥ ０｝是具有均值函数ｍ（ｔ）＝（ｓ）ｄｓ的非齐次泊 ∫λ
０ｔ
松过程，｛Ｗｎ，ｎ≥ １｝是其等待时间序列．求Ｗｎ的概率密度．解　当ｔ＞０时，由于｛Ｗｎ ≤ｔ｝＝｛Ｘ（ｔ） ≥ｎ｝，故Ｐ（Ｗｎ ≤ｔ）＝Ｐ（Ｘ（ｔ）≥ｎ）＝６上式对ｔ求导．得到Ｗｎ的概率密度
∞
［ｍ（ｔ）］－ｍ（ｔ）ｅ．ｊ！ｊ＝ｎ
∞
ｆＷ
（ｔ）＝
ｊ＝ｎ
ｊ－１ｊ［ｍ（ｔ）］［ｍ（ｔ）］－ｍ（ｔ）－ｍ ′ （ｔ）ｅ－６ｍ ′ （ｔ）ｅ（ｊ－１）！ｊ！ｊ＝ｎ
ｍ（ｔ）
由于ｍ ′ （ｔ）＝λ （ｔ）．故
ｊ－１［ｍ（ｔ）］－ｍ（ｔ）ｆＷ（ｔ）＝λ （ｔ）ｅ．ｎ（ｊ－１）！
当ｔ ≤０时，ｆｔ）＝０．Ｗ（
ｎ
故
ｊ－１［ｍ（ｔ）］ λ （ｔ）ｅ－ｍ（ｔ），ｔ＞０，（ｊ－１）！ｆ（ｔ）＝Ｗｎ０，ｔ ≤０．
§ ３．４　复合泊松过程
复合泊松过程有广泛的应用，其定义如下．定义３．５　设｛Ｎ（ｔ），ｔ ≥０｝是强度为 λ的泊松过程，｛Ｙｋ＝１，２， …｝是一ｋ，列独立同分布随机变量，且与｛Ｎ（ｔ），ｔ ≥０｝独立，令
Ｎ（ｔ）
Ｘ（ｔ）＝６则称｛Ｘ（ｔ），ｔ ≥０｝为复合泊松过程．
Ｙ　ｔ ≥０，ｋ，
ｋ＝１
例３．１１　设Ｎ（ｔ）是在时间段（０，ｔ］内来到某商店的顾客人数，｛Ｎ（ｔ），ｔ ≥ ０｝是泊松过程．若Ｙｋ是第ｋ个顾客在商店所花的钱数，则｛Ｙｋ，ｋ＝１，２， …｝是独
４４
立同分布随机变量序列，且与｛Ｎ（ｔ），ｔ ≥０｝独立．记Ｘ（ｔ）为该商店在（０，ｔ］时

Ｎ（ｔ）
间段内的营业额，则Ｘ（ｔ）＝６
Ｎ（ｔ）
Ｙｔ ≥０是一个复合泊松过程．ｋ，Ｙｋ，ｔ ≥０是复合泊松过程，则
ｋ＝１
定理３．６　设Ｘ（ｔ）＝６
ｋ＝１
（１）｛Ｘ（ｔ），ｔ ≥０｝是独立增量过程；（２）Ｘ（ｔ）的特征函数ｇｕ）＝ｅｘｐ｛λ ｔ［ｇｕ）－１］｝，其中ｇｕ）是随机Ｘ（ｔ）（Ｙ（Ｙ（变量Ｙ λ是事件的到达率；１的特征函数；（３）若Ｅ（Ｙ则Ｅ［Ｘ（ｔ）］＝λ ｔＥ［Ｙ］，Ｄ［Ｘ（ｔ）］＝λ ｔＥ［Ｙ１］．１）＜∞，１证　（１）令０≤ｔ则０＜ｔ１＜…＜ｔｍ，
Ｎ（ｔ）ｋ２２
Ｘ（ｔ）－Ｘ（ｔ）＝ｋｋ－１
ｉ＝Ｎ（ｔ）＋１ｋ－１
Ｙｋ＝１，２， …，ｍ．ｉ，
由条件，不难验证Ｘ（ｔ）具有独立增量性．（２）因为　　　ｇｔ）（ｕ）＝Ｅ［ｅＸ（

∞ ｉｕＸ（ｔ）
］
ｉｕＸ（ｔ）
＝＝＝＝
６６６６
Ｅ［ｅＥｅ
｜Ｎ（ｔ）＝ｎ］Ｐ｛Ｎ（ｔ）＝ｎ｝｜Ｎ（ｔ）＝ｎｅ
ｎ－λ ｔ
ｎ＝０ ∞ Ｎ（ｔ）ｉｕＹｋｋ＝１
ｎ＝０ ∞
（ λ ｔ）ｎ！
ｎ＝０ ∞
Ｅｅｘｐｉｕ６
ｎ
Ｙｋ
－λ ｔ
－λ ｔｅ
ｋ＝１ｎ
（ λ ｔ）ｎｎ！
［ｇｕ）］ｅＹ（
ｎ＝０
（ λ ｔ）＝ｅｘｐ｛ λ ｔ［ｇｕ）－１］｝．Ｙ（ｎ！
（３）由条件期望的性质Ｅ［Ｘ（ｔ）］＝Ｅ｛Ｅ［Ｘ（ｔ）｜Ｎ（ｔ）］｝，由假设知
Ｎ（ｔ）
Ｅ［Ｘ（ｔ）｜Ｎ（ｔ）＝ｎ］＝Ｅ＝Ｅ所以
６６
Ｙ｜Ｎ（ｔ）＝ｎｉ
ｎ
ｉ＝１ｎ
Ｙ｜Ｎ（ｔ）＝ｎ＝Ｅｉ
ｉ＝１
ＹＥ（Ｙ１），ｉ＝ｎ
ｉ＝１
Ｅ［Ｘ（ｔ）］＝Ｅ｛Ｅ［Ｘ（ｔ）｜Ｎ（ｔ）］｝＝Ｅ［Ｎ（ｔ）］Ｅ（ＹｔＥ（Ｙ）．１）＝ λ １类似地Ｄ［Ｘ（ｔ）｜Ｎ（ｔ）］＝Ｎ（ｔ）Ｄ［Ｙ１］，　　　Ｄ［Ｘ（ｔ）］＝ＥＸ（ｔ）－［ＥＸ（ｔ）］

２２２２
＝Ｅ｛Ｅ［Ｘ（ｔ）｜Ｎ（ｔ）］｝－｛Ｅ［Ｅ（Ｘ（ｔ）｜Ｎ（ｔ）］｝
§ ３．５　泊松过程的应用
２２＝Ｅ｛Ｄ［Ｘ（ｔ）｜Ｎ（ｔ）］＋（Ｅ［Ｘ（ｔ）｜Ｎ（ｔ）］）｝－（ＥＮ（ｔ）ＥＹ１）
４５
＝Ｅ｛Ｎ（ｔ）Ｄ［Ｙ｝＋Ｄ｛Ｎ（ｔ）Ｅ［Ｙ１］｝１］＝λ ｔＤ（Ｙ１）＋λ ｔ（ＥＹ１）
２＝λ ｔＥ（Ｙ１）．２
上述结果也可以利用特征函数与矩的关系得到．
§ ３．５　泊松过程的应用
本节我们介绍软件可靠性的数学模型．ＪＭ模型是Ｚ．Ｊｅｌｉｎｓｋｉ和Ｐ．Ｍｏｒａｎｄａ于１９７２年提出的软件可靠性数学模型．它的假设是：（１）软件中的初始错误个数为一个未知但固定的常数，用Ｎ０表示．（２）错误一旦被查出即被完全排除，于是每次排错之后，Ｎ０就要减去１．（３）在任何时候的故障率都与软件中的剩余错误个数成正比，正比例常数用 φ表示．根据假设，在第一个错误被排除之后，故障率就由Ｎ０ φ变为（Ｎ）φ．然０－１后以此类推．显然ＪＭ模型就是一个非齐次的泊松过程．设ＴＴ …，Ｔｎ表示相继出现１，２，的错误之间的时间区间长度．根据假设，在每两个错误之间只有惟一的故障率，故Ｔｉ的密度即为：ｆｔ）＝φ ［Ｎ０－（ｉ－１）］ｅｘｐ｛－φ ［Ｎｉ－１）］ｔ｝，Ｔ（ｉ０－（ｉ
ｉ
３．１０
其中Ｎ下面讨论ＪＭ模型的参数估计问题．０和 φ是两个未知参数．记样本ＴＴ …，Ｔｔ …，ｔ则由（３．１０）式得到似然函１，２，ｎ的观测值为ｔ１，２，ｎ，数：

ｎ
Ｌ（ｔｔ …，ｔ）＝１，２，ｎ
φ ［Ｎｉ－１）］ｅｘｐ｛－φ ［Ｎ（ｉ－１）］ｔ｝，０－（０－ｉ
ｉ＝１
其中，ｎ为样本大小，即到当前时刻为止所排除的错误个数．故对数似然函数为：

ｎｎ
ｌｎＬ＝６ｌｎ｛［Ｎｉ－１）］φ ｝－６［Ｎｉ－１）］φ ｔ０－（０－（ｉ
ｉ＝１ｎｉ＝１ｎ
＝６ｌｎ［Ｎ０－（ｉ－１）］＋ｎｌｎ φ－６［Ｎ０－（ｉ－１）］φ ｔｉ，
ｉ＝１ｉ＝１
上式分别对Ｎ并令结果为零；０和 φ求偏导，５ｌｎＬ１＝６－５Ｎ０Ｎ－（ｉ－１）０ｉ＝１

ｎｎ
φ ｔ０，ｉ＝
３．１１
ｉ＝１
４６
５ｌｎＬｎ＝－６［Ｎ０－（ｉ－１）］ｔｉ＝０．５φ φ ｉ＝１

ｎ
３．１２
ｔ，于是从（３．１２）可解出：ｉ＝ｔ φ＝ｎ
ｎ
ｉ＝１
（３．１３）
Ｎ０ｔ－６（ｉ－１）ｔｉ
ｉ＝１
（３．１１）可以写成：
ｎ
ｉ＝１
１＝Ｎｉ－１）０－（
ｎｔ
ｎ
Ｎ－６（ｉ－１）ｔ０ｔｉ
ｉ＝１
ｎ．ｎ１Ｎ（ｉ－１）ｔ０－ｉｔ６ｉ＝１（３．１４）
ｎｎ
方程（３．１４）不含 φ，可由测试收集的数据计算出ｔ＝值．将它们代入（３．１４），则可解出ＮＮ０：０的估计值＾１１１＋＋…＋＝Ｎ０Ｎ－１Ｎ－（ｎ－１）００
ｔｉ与
ｉ＝１
（ｉ－１）ｔｉ的
ｉ＝１
ｎ
ｎ
Ｎ０－
ｔｉ
－１
ｉ＝１
・６（ｉ－１）ｔｉ
ｉ＝１
再将＾Ｎ３．１３），可解出 φ的估计值＾ φ：０代入（＾ φ＝ｎ

ｎｎ
＾Ｎｉ－１）ｔ０６ｔｉ－６（ｉ
ｉ＝１ｉ＝１
事实上软件中的初始错误个数Ｎ此时ＪＭ模型的参数如０为一个随机变量，何估计？有兴趣的读者可进一步参考有关专著及文献．
习　题　三
　　３．１　设Ｘ（ｔ）和Ｘ（ｔ）是分别具有参数 λ 证明１２１和 λ ２的相互独立的泊松过程，（１）Ｙ（ｔ）＝Ｘ（ｔ）＋Ｘ（ｔ）是具有参数 λ １２１＋λ ２的泊松过程；（２）Ｚ（ｔ）＝Ｘ（ｔ）－Ｘ（ｔ）不是泊松过程．１２３．２　设到达某商店的顾客组成强度为 λ的泊松过程，每个顾客购买商品的概率为ｐ，且与其它顾客是否购买商品无关，若｛Ｙｔ ≥ ０｝是购买商品的顾客数，证明｛Ｙｔ ≥０｝是强度为ｔ，ｔ， λ ｐ的泊松过程．３．３　设电话总机在（０，ｔ］内接到电话呼叫数Ｘ（ｔ）是具有强度（每分钟）为 λ的泊松过程，求（１）两分钟内接到３次呼叫的概率；（２）“第二分钟内收到第三次呼叫 ”的概率．
习　题　三
４７
３．４　设｛Ｘ（ｔ），ｔ ≥０｝是具有参数为 λ 的泊松过程，假定Ｓ是相邻事件的时间间隔，证明Ｐ｛Ｓ＞ｓｓ｜Ｓ＞ｓ｛Ｓ＞ｓ｝，１＋２１｝＝Ｐ２即假定预先知道最近一次到达发生在ｓ下一次到达至少发生在将来ｓ１秒，２秒的概率等于在将来ｓ）．２秒出现下一次事件的无条件概率（这一性质称为“泊松过程无记忆”性３．５　设到达某路口的绿、黑、灰色的汽车的到达率分别为 λ λ λ 且均为泊松过程，１，２，３，它们相互独立．若把这些汽车合并成单个输出过程（假定无长度、无延时），求（１）相邻绿色汽车之间的不同到达时间间隔的概率密度；（２）汽车之间的不同到达时刻间隔的概率密度．３．６　设｛Ｘ（ｔ），ｔ ≥０｝为具有参数 λ的泊松过程，证明：（１）Ｅ（Ｗｎ）＝ｎ，即泊松过程第ｎ次到达时间的数学期望恰好是到达率倒数的ｎ倍； λ
ｎ（２）Ｄ（Ｗｎ）＝２，即泊松过程第ｎ次到达时间的方差恰好是到达率平方的倒数的ｎ倍． λ ３．７　设｛Ｘ（ｔ），ｔ ≥０｝和｛Ｙ（ｔ），ｔ ≥０｝分别是具有参数 λ １和λ ２的相互独立的泊松过程．令Ｗ和Ｗ ′是Ｘ（ｔ）的两个相继泊松型事件出现的时间，且Ｗ＜Ｗ ′ ．对于Ｗ＜ｔ＜Ｗ ′，有Ｘ（ｔ）＝Ｘ（Ｗ）和Ｘ（Ｗ ′ ）＝Ｘ（Ｗ）＋１，定义Ｎ＝Ｙ（Ｗ ′ ）－Ｙ（Ｗ），求Ｎ的概率分布．３．８　设脉冲到达计数器的规律是到达率为 λ的泊松过程，记录每个脉冲的概率为ｐ，记录不同脉冲的概率是相互独立的．令Ｘ（ｔ）表示已被记录的脉冲数．（１）求Ｐ｛Ｘ（ｔ）＝ｋ｝，ｋ＝０，１，２， …；（２）Ｘ（ｔ）是否为泊松过程．３．９　某商店每日８时开始营业，从８时到１１时平均顾客到达率线性增加，在８时顾客平均到达率为５人／时，１１时到达率达最高峰２０人／时．从１１时到１３时，平均顾客到达率维持不变，为２０人／时，从１３时到１７时，顾客到达率线性下降，到１７时顾客到达率为１２人／时．假定在不相重叠的时间间隔内到达商店的顾客数是相互独立的，问在８：３０—９：３０间无顾客到达商店的概率是多少？在这段时间内到达商店的顾客数学期望是多少？３．１０　设移民到某地区定居的户数是一泊松过程，平均每周有２户定居，即 λ＝２．如果每户的人口数是随机变量，一户四人的概率为１／６，一户三人的概率为１／３，一户两人的概率为１／３，一户一人的概率为１／６，并且每户的人口数是相互独立的，求在五周内移民到该地区人口的数学期望与方差．３．１１　设｛Ｘ（ｔ），ｔ ≥０｝是具有均值函数ｍ（ｔ）＝（ｓ）ｄｓ的非齐次泊松过程，证明在 ∫λ
０ｔ
｛Ｘ（ｔ）＝ｎ｝的条件下，ｎ次事件的到达时间Ｗ１＜Ｗ２＜ …＜Ｗｎ的条件概率密度为

ｎ
ｆ（ｔ …，ｔ（ｔ）＝ｎ）＝１，ｎ｜Ｘ
ｎ！７０，
ｉ＝１
λ （ｔ）ｉ，０＜ｔ，１＜ … ＜ｔｎ＜ｔｍ（ｔ）其它．
第四章　马尔可夫链
　　马尔可夫过程按其状态和时间参数是连续的或离散的，可分为三类：（１）时间、状态都是离散的马尔可夫过程，称为马尔可夫链．（２）时间连续、状态离散的马尔可夫过程，称为连续时间的马尔可夫链．（３）时间、状态都连续的马尔可夫过程．
§ ４．１　马尔可夫链的概念及转移概率
一、马尔可夫链的定义
假设马尔可夫过程｛Ｘｎ，ｎ∈ Ｔ｝的参数集Ｔ是离散的时间集合，即Ｔ＝｛０，１，２， …｝，其相应Ｘ＝｛ｉｎ可能取值的全体组成的状态空间是离散的状态集Ｉ１，ｉｉ …｝．２，３，定义４．１　设有随机过程｛Ｘｎ，ｎ∈ Ｔ｝，若对于任意的整数ｎ∈ Ｔ和任意的ｉｉ …，ｉ，条件概率满足０，１，ｎ＋１ ∈ＩＰ｛Ｘ｜ＸＸ …，Ｘｎ＝ｉ｝ｎ＋１＝ｉｎ＋１０＝ｉ０，１＝ｉ１，ｎ＝Ｐ｛Ｘ｜Ｘｎ＝ｉ｝，ｎ＋１＝ｉｎ＋１ｎ则称｛Ｘｎ，ｎ∈ Ｔ｝为马尔可夫链，简称马氏链．（４．１）式是马尔可夫链的马氏性（或无后效性）的数学表达式．由定义知　　　Ｐ｛ＸＸ …，Ｘ｝０＝ｉ０，１＝ｉ１，ｎ＝ｉｎ＝Ｐ｛Ｘ｜ＸＸ …，Ｘｎ－１＝ｉ｝・ｎ＝ｉｎ０＝ｉ０，１＝ｉ１，ｎ－１　Ｐ｛ＸＸ …，Ｘ｝０＝ｉ０，１＝ｉ１，ｎ－１＝ｉｎ－１＝Ｐ｛Ｘ｜Ｘ｝Ｐ｛ＸＸ …，Ｘｎ＝ｉｎｎ－１＝ｉｎ－１０＝ｉ０，１＝ｉ１，ｎ－１＝ｉｎ－１｝＝… ＝Ｐ｛Ｘ｜Ｘ｝Ｐ｛ＸＸ｝…・ｎ＝ｉｎｎ－１＝ｉｎ－１ｎ－１＝ｉｎ－１｜ｎ－２＝ｉｎ－２　Ｐ｛ＸＸ｝Ｐ｛Ｘ｝．１＝ｉ１｜０＝ｉ００＝ｉ０可见，马尔可夫链的统计特性完全由条件概率（４．１）
４９
Ｐ｛Ｘ｜Ｘｎ＝ｉ｝ｎ＋１＝ｉｎ＋１ｎ所决定，如何确定这个条件概率，是马尔可夫链理论和应用中的重要问题之一．
二、转移概率
条件概率Ｐ｛Ｘ｜Ｘ｝的直观含义为系统在时刻ｎ处于状态ｉ的条ｎ＋１＝ｊｎ＝ｉ件下，在时刻ｎ＋１系统处于状态ｊ的概率．它相当于随机游动的质点在时刻ｎ处于状态ｉ的条件下，下一步转移到状态ｊ的概率．记此条件概率为ｐ（ｎ），其ｉｊ严格定义如下：定义４．２　称条件概率ｐ（ｎ）＝Ｐ｛Ｘｎ＋１＝ｊ｜Ｘ｝ｉｊｎ＝ｉ为马尔可夫链｛Ｘｎ∈ Ｔ｝在时刻ｎ的一步转移概率，其中ｉ，ｊ ∈Ｉ，简称为转移ｎ，概率．一般地，转移概率ｐ（ｎ）不仅与状态ｉ，ｊ有关，而且与时刻ｎ有关．当ｉｊｐ（ｎ）不依赖于时刻ｎ时，表示马尔可夫链具有平稳转移概率．ｉｊ定义４．３　若对任意的ｉ，ｊ ∈Ｉ，马尔可夫链｛Ｘｎ，ｎ ∈Ｔ｝的转移概率ｐ（ｎ）ｉｊ与ｎ无关，则称马尔可夫链是齐次的，并记ｐ（ｎ）为ｐｉｊｉｊ．下面我们只讨论齐次马尔可夫链，通常将“齐次 ”两字省略．设Ｐ表示一步转移概率ｐ且状态空间Ｉ＝｛１，２…｝，则ｉｊ所组成的矩阵，ｐ１１Ｐ＝ｐ２１ … （１）ｐｉ，ｊ ∈Ｉ；ｉｊ ≥０，（２）６ｐ，ｉ ∈Ｉ．ｉｊ＝１
ｊ∈ Ｉ
ｐ１２ｐ２２ …
… …
ｐ１ｎｐ２ｎ …
… …
称为系统状态的一步转移概率矩阵，它具有性质：
（２）式中对ｊ求和是对状态空间Ｉ的所有可能状态进行的，此性质说明一步转移概率矩阵中任一行元素之和为１．通常称满足上述（１），（２）性质的矩阵为随机矩阵．为进一步讨论马尔可夫链的统计性质，我们给出ｎ步转移概率、初始概率和绝对概率的概念．定义４．４　称条件概率
（ｎ）ｐ｛Ｘｍ＋ｎ＝ｊ｜Ｘｍ＝ｉ｝　（ｉ，ｊ ∈Ｉ，ｍ≥０，ｎ≥１）ｉｊ＝Ｐ
为马尔可夫链｛Ｘｎ，ｎ∈ Ｔ｝的ｎ步转移概率，并称
（ｎ）（ｎ）Ｐ＝（ｐｉｊ）
５０
（ｎ）（ｎ）（ｎ）为马尔可夫链的ｎ步转移矩阵，其中ｐ０，６ｐ即Ｐ也是随机矩ｉｊ ≥ ｉｊ＝１，ｊ∈ Ｉ
阵．当ｎ＝１时，ｐ此时一步转移矩阵Ｐ＝Ｐ．此外，我们规定ｉｊ＝ｐｉｊ，ｐｉｊ＝

（０）（１）（１）
０，ｉ ≠ｊ，１，ｉ＝ｊ．
定理４．１　设｛Ｘｎ，ｎ∈ Ｔ｝为马尔可夫链，则对任意整数ｎ≥０，１≤ｌ＜ｎ和ｉ，ｊ ∈Ｉ，ｎ步转移概率ｐｉｊ具有下列性质：（１）ｐｉｊ＝

（ｎ）（２）ｐｉｊ＝（ｎ）（ｎ）
６６
ｐｉｋｐｋｊ …
（ｎ－１）
（ｌ）
（ｎ－ｌ）
；
１１２ｊｎ－１
（４．２）；（４．３）４．４（４．５）Ｐ｛Ｘｍ＝ｉ，Ｘｍ＋ｎ＝ｊ｝Ｐ｛Ｘｍ＝ｉ｝
ｋ∈ Ｉ
ｋ ∈Ｉ１
ｋ ∈Ｉｎ－１
ｐｉｋｐｋｋ …ｐｋ
（３）Ｐ＝ＰＰ
（ｎ）ｎ
（ｎ）
（４）Ｐ＝Ｐ．证　（１）利用全概率公式及马尔可夫性，有ｐ｛Ｘｍ＋ｎ＝ｊ｜Ｘｍ＝ｉ｝＝ｉｊ＝Ｐ＝　＝＝

（ｎ）
Ｐ｛Ｘｍ＝ｉ，Ｘｍ＋ｌ＝ｋ，Ｘｍ＋ｎ＝ｊ｝・Ｐ｛Ｘ＝ｉ，Ｘ＝ｋ｝ｍｍ＋ｌｋ∈ Ｉ
Ｐ｛Ｘｍ＝ｉ，Ｘｍ＋ｌ＝ｋ｝Ｐ｛Ｘｍ＝ｉ｝
６６
Ｐ｛Ｘｍ＋ｎ＝ｊ｜Ｘｍ＋ｌ＝ｋ｝Ｐ｛Ｘｍ＋ｌ＝ｋ｜Ｘｍ＝ｉ｝ｐｋｊ

（ｎ－ｌ）
ｋ∈ Ｉ
（ｍ＋ｌ）ｐ）＝ｉｋ（ｍ
（ｌ）
ｋ∈ Ｉ
ｐｉｋｐｋｊ
（ｌ）
（ｎ－ｌ）
ｋ∈ Ｉ
（２）在（１）中令ｌ＝１，ｋ＝ｋ１得ｐｉｊ＝这是一个递推公式，故可递推得到ｐｉｊ＝

（ｎ）ｋ ∈Ｉ１（ｎ）ｋ ∈Ｉ１
ｐ．ｉｋｐｋｊ
１１
（ｎ－１）
ｋ ∈Ｉｎ－１
ｐｉｋｐｋｋ …ｐｋ
１１２
ｊｎ－１
（３）在（１）中令ｌ＝１，利用矩阵乘法可证．（４）由（３），利用归纳法可证．定理４．１中（１）式称为切普曼－科尔莫戈罗夫方程，简称Ｃ－Ｋ方程．它在马尔可夫链的转移概率的计算中起着重要的作用．（２）式说明ｎ步转移概率完全由一步转移概率决定．（４）式说明齐次马尔可夫链的ｎ步转移概率矩阵是一步转移概率矩阵的ｎ次乘方．定义４．５　设｛Ｘｎ，ｎ∈ Ｔ｝为马尔可夫链，称
５１
ｐ｛Ｘ｝和ｐｎ）＝ｐ｛Ｘ｝　（ｊ ∈Ｉ）ｊ＝Ｐ０＝ｊｊ（ｎ＝ｊ为｛Ｘｎ∈ Ｔ｝的初始概率和绝对概率，并分别称｛ｐｊ ∈Ｉ｝和｛ｐ（ｎ），ｊ ∈Ｉ｝为ｎ，ｊ，ｊ｛Ｘｎ，ｎ∈ Ｔ｝的初始分布和绝对分布，简记为｛ｐ｝和｛ｐ（ｎ）｝．称概率向量ｊｊ
ＴＰ（ｎ）＝（ｐｎ），ｐｎ）， …）　（ｎ＞０）１（２（
为ｎ时刻的绝对概率向量，而称Ｐ（０）＝（ｐｐ …）１，２，为初始概率向量．定理４．２　设｛Ｘｎ，ｎ∈ Ｔ｝为马尔可夫链，则对任意ｊ ∈Ｉ和ｎ≥１，绝对概率ｐ（ｎ）具有下列性质：ｊ（１）ｐ（ｎ）＝ｊ（２）ｐ（ｎ）＝ｊ
ＴＴＴ
６６
（ｎ）ｐｐｉｉｊ；
（４．６）（４．７）（４．８）（４．９）Ｐ｛Ｘ，Ｘｎ＝ｊ｝０＝ｉ
ｉ∈ Ｉ
ｉ∈ Ｉ
ｐ（ｎ－１）ｐｉｉｊ；
ＴＴ（ｎ）
ｉ∈ Ｉ
（３）Ｐ（ｎ）＝Ｐ（０）Ｐ
（４）Ｐ（ｎ）＝Ｐ（ｎ－１）Ｐ．证　（１）ｐ（ｎ）＝Ｐ｛Ｘｎ＝ｊ｝＝６ｊ＝＝（２）
６６
Ｐ｛Ｘ｜Ｘ｝Ｐ｛Ｘ｝ｎ＝ｊ０＝ｉ０＝ｉ
（ｎ）ｐｐｉｉｊ．
ｉ∈ Ｉ
ｉ∈ Ｉ
ｐ（ｎ）＝Ｐ｛Ｘ｝＝ｊｎ＝ｊ＝＝
Ｐ｛Ｘ，Ｘ｝ｎ＝ｊｎ－１＝ｉ
ｉ∈ Ｉ
６６
Ｐ｛Ｘ｜Ｘｎ－１＝ｉ｝Ｐ｛Ｘ｝ｎ＝ｊｎ－１＝ｉｐｎ－１）ｐｉ（ｉｊ．
ｉ∈ Ｉ
ｉ∈ Ｉ
（３）和（４）式是（１）与（２）式的矩阵乘积形式，显然成立，证毕．定理４．３　设｛Ｘｎ∈ Ｔ｝为马尔可夫链，则对任意ｉ …，ｉ ≥１，ｎ，１，ｎ ∈ Ｉ和ｎ有Ｐ｛Ｘ …，Ｘ｝＝６ｐｐ１＝ｉ１，ｎ＝ｉｎｉｉｉ …ｐｉ

ｉ∈ Ｉ１ｉｎ－１ｎ
（４．１０）
证　由全概率公式及马氏性有Ｐ｛Ｘ …，Ｘ｝＝Ｐ１＝ｉ１，ｎ＝ｉｎ＝＝
∪Ｘ
ｉ∈ Ｉ
＝ｉ，Ｘ …，Ｘ１＝ｉ１，ｎ＝ｉｎ
６６
Ｐ｛Ｘ，Ｘ …，Ｘｎ＝ｉ｝０＝ｉ１＝ｉ１，ｎＰ｛Ｘ｝Ｐ｛ＸＸ｝…・０＝ｉ１＝ｉ１｜０＝ｉ
ｉ∈ Ｉ
ｉ∈ Ｉ
　Ｐ｛Ｘ｜Ｘ， …，Ｘ｝ｎ＝ｉｎ０＝ｉｎ－１＝ｉｎ－１
５２
６６
Ｐ｛Ｘ｝Ｐ｛ＸＸ｝… ０＝ｉ１＝ｉ１｜０＝ｉ
ｉ∈ Ｉ
　Ｐ｛Ｘ｜Ｘ｝ｎ＝ｉｎｎ－１＝ｉｎ－１＝ｐｐｉｉｉ …ｐｉ
１ｉ∈ Ｉｉｎ－１ｎ
证毕．
定理４．２表明绝对概率ｐ（ｎ）也具有类似于ｎ步转移概率的性质．定理ｊ４．３则进一步说明马尔可夫链的有限维分布完全由它的初始概率和一步转移概率所决定．因此，只要知道初始概率和一步转移概率，就可以描述马尔可夫链的统计特性．
三、马尔可夫链的一些简单例子
马尔可夫链在研究质点的随机运动、自动控制、通信技术、生物工程、经济管理等领域中有着广泛的应用．例４．１　无限制随机游动．设质点在数轴上移动，每次移动一格，向右移动的概率为ｐ，向左移动的概率为ｑ＝１－ｐ，这种运动称为无限制随机游动．以Ｘｎ表示时刻ｎ质点所处的位置，则｛Ｘｎ∈ Ｔ｝是一个齐次马尔可夫链，试写出它的一步和ｋ步转移概率．ｎ，解　显然｛Ｘｎ，ｎ∈ Ｔ｝的状态空间Ｉ＝｛０， ±１， ±２， …｝，其一步转移概率矩阵为 … Ｐ＝ … … ０ … 进入ｊ，则ｘ＋ｙ＝ｋ，ｘ－ｙ＝ｊ－ｉ，从而ｘ＝ｋ＋（ｊ－ｉ）ｋ－（ｊ－ｉ），　ｙ＝．２２ … ｑ … … ０ … … … ｐ … … ．ｑ０ｐ０
设在第ｋ步转移中向右移了ｘ步，向左移了ｙ步，且经过ｋ步转移状态从ｉ
由于ｘ，ｙ都只能取整数，所以ｋ± （ｊ－ｉ）必须是偶数．又在ｋ步中哪ｘ步向右，

ｘ哪ｙ步向左是任意的，选取的方法有Ｃ于是ｋ种．ｘｘｙ
（ｋ）ｐｉｊ＝
Ｃ＋（ｊ－ｉ）为偶数，ｋｐｑ，ｋ０，ｋ＋（ｊ－ｉ）为奇数．
例４．２　赌徒输光问题．
５３
两赌徒甲、乙进行一系列赌博．赌徒甲有ａ元，赌徒乙有ｂ元，每赌一局输者给赢者１元，没有和局，直到两人中有一个输光为止．设在每一局中，甲赢的概率为ｐ，输的概率为ｑ＝１－ｐ，求甲输光的概率．这个问题实质上是带有两个吸收壁的随机游动，其状态空间Ｉ＝｛０，１，２， …，ｃ｝，ｃ＝ａ＋ｂ．故现在的问题是求质点从ａ点出发到达０状态先于到达ｃ状态的概率．
图４．１
解　设ｕ我们要计算的就是ｉ表示甲从状态ｉ出发转移到状态０的概率，ｕ由于０和ｃ是吸收状态，故ａ．ｕ１，　ｕ０＝ｃ＝０．由全概率公式ｕｕｕｉ＝１，２， …，ｃ－１）．ｉ＝ｐｉ＋１＋ｑｉ－１　（４．１１上式的含义是，甲从有ｉ元开始赌到输光的概率等于“他接下去赢了一局（概率为ｐ），处于状态ｉ＋１后再输光”和“他接下去输了一局（概率为ｑ），处于状态ｉ－１后再输光”这两个事件的和事件的概率．由于ｐ＋ｑ＝１，（４．１１）式实质上是一个差分方程ｕ（ｕ），　ｉ＝１，２， …，ｃ－１，ｉ＋１－ｕｉ＝ｒｉ－ｕｉ－１其中ｒ＝ｑ，其边界条件为ｐｕ１，　ｕ０＝ｃ＝０．先讨论ｒ＝１，即ｐ＝ｑ＝１的情况，此时（４．１２）式为２ｕｉ＋１－ｕｉ＝ｕｉ－ｕｉ－１，令ｉ＝１，２， …，ｃ－１，ｕ，得１＝ｕ０＋α ｕ＝ｕ２ α，２＝ｕ１＋α ０＋ … ｕ＝ｕ α ，ｉ＝ｕｉ－１＋α ０＋ｉ … ｕ＝ｕ α．ｃ＝ｕｃ－１＋α ０＋ｃ将ｕｕ得参数ｃ＝０，０＝１代入最后一式，４．１３（４．１２）
５４
α ＝－所以ｕｉ＝１－
１，ｃ
ｉ，ｉ＝１，２， …，ｃ－１．ｃａｂ＝．ｃａ＋ｂ
令ｉ＝ａ，求得甲输光的概率为ｕａ＝１－
上述结果表明，在ｐ＝ｑ情况下（即甲、乙每局比赛中输赢是等可能的情况下），甲输光的概率与乙的赌本ｂ成正比，即赌本小者输光的可能性大．由于甲、乙的地位是对称的，故乙输光的概率为ａｕ．ｂ＝ａ＋ｂ由于ｕ表明甲、乙中必有一人要输光，赌博迟早要结束．ａ＋ｕｂ＝１，再讨论ｒ≠１，即ｐ ≠ｑ的情况．由（４．１２）式得
ｃ－１ｃ－１
ｕｃ－ｕｋ＝
ｒ（ｕｉ－ｕｉ－１）＝
ｋｃ
ｉ＝ｋ
ｒ（ｕ１－ｕ０）（４．１４）
ｉ＝ｋ
ｒ－ｒ＝（ｕ）．１－１１－ｒ令ｋ＝０，由于ｕ有ｃ＝０，１－ｒ１＝（１－ｕ，１）１－ｒ即代入（４．１４）式，得ｒ－ｒｕｋ＝１，２， …，ｃ－１．ｋ＝ｃ，１－ｒ令ｋ＝ａ，得甲输光的概率
ａｃｒ－ｒｕａ＝ｃ，１－ｒｋｃｃ
１－ｒ１－ｕ１＝ｃ，１－ｒ
由对称性，乙输光的概率为（ｒ／ｑ）１＝ｐｕｂ＝ｒ１－ｒ１ｃ．１－ｒ１

ｂｃ
由于ｕ因此在ｒ ≠１时，即ｐ≠ｑ时两个人中也总有一个人要输光的．ａ＋ｕｂ＝１，例４．３　天气预报问题．设昨日、今日都下雨，明日有雨的概率为０．７；昨日无雨，今日有雨，明日有雨的概率为０．５；昨日有雨，今日无雨，明日有雨的概率为０．４；昨日、今日均无雨，明日有雨的概率为０．２．若星期一、星期二均下雨，求星期四下雨的概率．
５５
解　设昨日、今日连续两天有雨称为状态０（ＲＲ），昨日无雨、今日有雨称为状态１（ＮＲ），昨日有雨、今日无雨称为状态２（ＲＮ），昨日、今日无雨称为状态３（ＮＮ），于是天气预报模型可看作一个四状态的马尔可夫链，其转移概率为ｐ｛Ｒ今Ｒ明｜Ｒ昨Ｒ今｝＝Ｐ｛连续三天有雨｝００＝Ｐ＝Ｐ｛Ｒ明｜Ｒ昨Ｒ今｝＝０．７，ｐ｛Ｎ今Ｒ明｜Ｒ昨Ｒ今｝＝０（不可能事件），０１＝Ｐｐ｛Ｒ今Ｎ明｜Ｒ昨Ｒ今｝＝Ｐ｛Ｎ明｜Ｒ昨Ｒ今｝０２＝Ｐ＝１－０．７＝０．３，ｐ｛Ｎ今Ｎ明｜Ｒ昨Ｒ今｝＝０（不可能事件），０３＝Ｐ其中Ｒ代表有雨，Ｎ代表无雨．类似地可得到所在状态的一步转移概率．于是它的一步转移概率矩阵为ｐ００Ｐ＝ｐ１０ｐ２０ｐ３０其两步转移概率矩阵为０．７Ｐ＝ＰＰ＝
（２）
ｐ０１ｐ１１ｐ２１ｐ３１
ｐ０２ｐ１２ｐ２２ｐ３２０００．４０．２
ｐ０３ｐ１３ｐ２３ｐ３３０．３０．５００＝
０．７０．５０００００．６０．８
０００．４０．２
０．３０．５０００００．４０．２
０００．６０．８，
０．７０．５００
０．３０．５００
０００．６０．８
０．５００
０．４９０．１２０．２１０．１８＝０．３５０．２００．１５０．３００．２００．１２０．２００．４８０．１００．１６０．１００．６４由于星期四下雨意味着过程所处的状态为０或１，因此星期一、星期二连续下雨，星期四下雨的概率为
（２）（２）ｐ＝ｐ．４９＋０．１２＝０．６１．００＋ｐ０１＝０
例４．４　设质点在线段［１，４］上作随机游动，假设它只能在时刻ｎ∈ Ｔ发生移动，且只能停留在１，２，３，４点上．当质点转移到２，３点时，它以１／３的概率向左或向右移动一格，或停留在原处．当质点移动到点１时，它以概率１停留在原处．当质点移动到点４时，它以概率１移动到点３．若以Ｘｎ表示质点在时刻ｎ所处的位置，则｛Ｘｎ∈ Ｔ｝是一个齐次马尔可夫链，其转移概率矩阵为ｎ，
５６
１Ｐ＝００
０００．
１／３１／３１／３０１
１／３１／３１／３
各状态之间的转移关系及相应的转移概率如图４．２所示．
图４．２
例中的点１称为吸收壁，即质点一旦到达这种状态后就被吸收住了，不再移动；点４称为反射壁，即质点一旦到达这种状态后，必然被反射出去．例４．５　生灭链．观察某种生物群体，以Ｘ设为ｎ表示在时刻ｎ群体的数目，ｉ个数量单位，如在时刻ｎ＋１增生到ｉ＋１个数量单位的概率为ｂ减灭到ｉ－ｉ，１个数量单位的概率为ａ保持不变的概率为ｒａ），则｛Ｘｎ，ｎ≥０｝ｉ，ｉ＝１－（ｉ＋ｂｉ为齐次马尔可夫链，Ｉ＝｛０，１，２， …｝，其转移概率为ｂ＝ｉ＋１，ｉ，ｊｒ＝ｊ，ｐｉ，ｉｉｊ＝ａ＝ｉ－１．ｉ，ｊａ，称此马尔可夫链为生灭链．０＝０
§ ４．２　马尔可夫链的状态分类
一、状态的分类
本节讨论齐次马尔可夫链的状态分类．假设｛Ｘｎ，ｎ≥ ０｝是齐次马尔可夫链，其状态空间Ｉ＝｛０，１，２， …｝，转移概率是ｐｉ，ｊ ∈Ｉ，初始分布为｛ｐｊ ∈Ｉ｝．我们依概率性质对状态进行分类．ｉｊ，ｊ，例４．６　设马尔可夫链的状态空间Ｉ＝｛１，２， …，９｝，状态间的转移概率如图
５７
４．３所示．由图４．３可见自状态１出发，再返回状态１的可能步数（时刻）为Ｔ＝｛４，６，８，１０， …｝．显然Ｔ的最大公约数为２．但２Ｔ，即由１出发经两步不能返回１．受机械运动周期的启发，我们仍把２定义为状态１的周期．
图４．３
定义４．６　如集合｛ｎ：ｎ≥ １，ｐ｝非空，则称该集合的最大公约数ｄ＝ｉｉ＞０ｄ（ｉ）＝Ｇ．Ｃ．Ｄ｛ｎ：ｐ｝为状态ｉ的周期．如ｄ＞１就称ｉ为周期的，如ｄ＝ｉｉ＞０１就称ｉ为非周期的．由定义知，如果ｉ有周期ｄ，则对一切非零的ｎ≠０（ｍｏｄｄ）都有ｐ但ｉｉ＝０．这并不是说对任意ｎｄ有ｐ＞０，如例４．３中的状态１的ｄ＝２，但ｐ然ｉｉ１１＝０．而我们有如下结论．引理４．１　如ｉ的周期为ｄ，则存在正整数Ｍ，对一切ｎ≥ Ｍ，有ｐ＞０．ｉｉ
（ｎ）证　设｛ｎ：ｎ≥１，ｐ｝＝｛ｎｎ …｝，令ｉｉ＞０１，２，（ｎｄ）（ｎｄ）（２）（ｎ）（ｎ）
（ｎ）
ｔＣ．Ｄ｛ｎｎ …，ｎ｝，ｋ＝Ｇ．１，２，ｋ则ｔ故存在正整数Ｎ，使得ｔ，因此ｄ＝１ ≥ｔ２ ≥ … ≥ ｄ≥１，Ｎ＝ｔＮ＋１＝ … ＝ｄＧ．Ｃ．Ｄ｛ｎｎ …，ｎＮ｝．从而存在正整数Ｍ，对一切ｎ ≥ Ｍ，由初等数论有１，２，

Ｎ
ｎｄ＝因而当ｎ≥ Ｍ时
６
Ｎ
α 　α ｋｎｋ，ｉ为正整数．
ｋ＝１
（ｎｄ）６ｋｋｐ＝ｐｉｉｉｉｋ＝１ αｎＮ
（α ｎ）（α ｎ）（α ｎ）１１ｐ２２ …ｐＮＮ ≥ｐｉｉｉｉｉｉ
（ｎ） α ｋｋ［ｐ０．ｉｉ］＞
ｋ＝１
例４．７　设Ｉ＝｛１，２，３，４｝，转移概率如图４．４，易见状态２与状态３有相同的周期ｄ＝２．但由状态３出发经两步必定返回到３，而状态２则不然，当２转移到３后，它再也不能返回到２．为区别这样两种状态，我们引入常返性概念．记
（ｎ）ｆ（Ｘｍ＋ｖ ≠ｊ，１≤ｖ≤ｎ－１，Ｘｍ＋ｎ＝ｊ｜Ｘｍ＝ｉ），　ｎ≥１，ｉｊ＝Ｐ
５８
图４．４
（０）ｆｉｊ＝０．
（４．１５）
显然由马氏性与齐次性上式右方与ｍ无关．它表示质点由ｉ出发，经ｎ步首次到达ｊ的概率也称为首中概率．记

∞
ｆｉｊ＝
（ｎ）ｆｉｊ，
ｎ＝１
它表示质点由ｉ出发，经有限步终于到达ｊ的概率．定义４．７　称状态ｉ为常返的，如ｆ称状态ｉ为非常返的，如ｆｉｉ＝１；ｉｉ＜１．因此，若ｉ是非常返态，则由ｉ出发将以正概率１－ｆ；若ｉｉ永远不再返回到ｉｉ是常返时，上述现象不会出现．对常返态ｉ，由定义知｛ｆｎ≥１｝构成一概率ｉｉ，分布．此分布的期望值
∞ （ｎ）
μ ｉ＝
（ｎ）ｎｆｉｉ，
ｎ＝１
表示由ｉ出发再返回到ｉ的平均返回时间．定义４．８　如 μ 则称常返态ｉ为正常返的；如μ 则称常返态ｉｉ＜ ∞，ｉ＝∞，为零常返的．非周期的正常返态称为遍历状态．
（ｎ）（ｎ）ｆｉｊ与ｐｉｊ有如下的关系：
定理４．４　对任意状态ｉ，ｊ及１≤ ｎ＜∞，有

ｎｎ
ｐｉｊ＝证
（ｎ）
ｆｉｊｐｊｊ
（ｋ）
（ｎ－ｋ）
ｋ＝１
＝６
ｆｉｊ
（ｎ－ｋ）
ｐｊｊ．
（ｋ）
（４．１６）
ｋ＝０
　　　　　ｐ（Ｘ｜Ｘｉ）ｉｊ＝Ｐｎ＝ｊ０＝
ｎ
（ｎ）
＝＝
６６６
Ｐ（Ｘｊ，１≤ｖ≤ｋ－１，Ｘ，Ｘ｜Ｘ）ｖ≠ ｋ＝ｊｎ＝ｊ０＝ｉＰ（Ｘ｜Ｘｉ，Ｘ，１≤ｖ≤ｋ－１，Ｘ）・ｎ＝ｊ０＝ｖ ≠ｊｋ＝ｊ
ｋ＝１ｎ
ｋ＝１
　Ｐ（Ｘ，１≤ｖ ≤ｋ－１，Ｘ｜Ｘｉ）ｖ ≠ｊｋ＝ｊ０＝
ｎ
ｐｊｊ
（ｎ－ｋ）（ｋ）ｊｊ
ｆ．
ｋ＝１
５９
（ｎ）Ｃ－Ｋ方程及（４．１６）是马氏链的关键性公式，它们可以把ｐｉｉ分解成较低步的
转移概率之和的形式．由定理４．４我们得到周期的等价定义引理４．２　Ｇ．Ｄ．Ｄ｛ｎ：ｎ≥１，ｐ０｝＝Ｇ．Ｃ．Ｄ｛ｎ：ｎ≥１，ｆ｝．ｉｉ＞ｉｉ＞０证　令ｄ＝Ｇ．Ｃ．Ｄ｛ｎ：ｎ≥１，ｐ｝，ｉｉ＞０ｔ＝Ｇ．Ｃ．Ｄ｛ｎ：ｎ≥１，ｆ｝．ｉｉ＞０由（４．１６）知ｐｎ：ｎ≥１，ｐ｝＝｛ｎ：ｎ≥１，ｆ｝，从而１≤ ｄ≤ ｉｉ ≥ｆｉｉ故｛ｉｉ＞０ｉｉ＞０
（ｎ）ｔ．若ｔ＝１，则ｄ＝ｔ＝１．若ｔ＞１，我们证明ｄ≥ｔ，为此只需证ｔ是｛ｎ：ｐ｝ｉｉ＞０（ｎ）的公约数即可．换言之，如ｎ≠０（ｍｏｄｔ）必有ｐ０．由ｔ的定义及（４．１６）知对ｉｉ＝（ｎ）（ｎ）（ｎ）（ｎ）（ｎ）（ｎ）（ｎ）（ｎ）
一切ｎ＜ｔ，都有
ｎ（ｎ）ｐｉｉ＝
（ｎ－ｋ）０ｐ＝０．ｉｉ
ｋ＝１
（ｎ）今假设当ｎ＝ｍｔ＋ｒ，ｍ＝０，１，２， …，Ｎ－１时，ｐ则由（４．１６）并注意到如ｉｉ＝０，
ｎ ≠０（ｍｏｄｔ）时ｆ我们有ｉｉ＝０，ｐｉｉ
（Ｎｔ＋ｒ）
（ｎ）
＝ｆｉｉｐｉｉ
（ｔ）
（Ｎ－１）ｔ＋ｒ
＋ｆｉｉｐｉｉ
（２ｔ）
（Ｎ－２）ｔ＋ｒ
＋…＋ｆ，ｉｉｐｉｉ＝０
（Ｎｔ）
（ｒ）
从而由归纳法证得ｄ≥ｔ．综上所述，我们有ｄ＝ｔ．证毕．例４．８　设马尔可夫链的状态空间Ｉ＝｛１，２，３｝，其转移概率矩阵为０Ｐ＝ｑ２ｐ３ｐ１０ｑ３ｑ１ｐ，２０
求从状态１出发经ｎ步转移首次到达各状态的概率．解　如用（４．１６）式计算将会很复杂，我们直接通过状态转移图（图４．５）来计算．利用归纳法可得
图４．５
６０
ｆ＝同理可得ｆ１３＝０，
（ｎ）（ｐｆ１２ｑ３）１１＝ｐ（ｎ）
（ｎ）１２
（ｑ）１ｐ３
ｍ－１
ｑ＝２ｍ，ｍ≥ １，１ｑ３，ｎｎ＝２ｍ＋１，ｍ≥０．
（ｑ）ｐ１ｐ３１，（ｐ）１ｑ２
ｍ－１
ｐ＝２ｍ，ｍ≥１，１ｐ２，ｎｎ＝２ｍ＋１，ｍ≥０，ｎ＝１，

ｍ－１
（ｐ）ｑ１ｑ２１，
ｍ－１
ｑ（ｑ２＋ｑ１３ｐ２）
ｐ３，
ｎ＝２ｍ，ｍ≥１，
ｐ（ｐ１２ｑ３）
ｍ－１
ｐｑ）２ｐ３＋ｑ１（３ｐ２
ｍ－１
ｑ＝２ｍ＋１，ｍ≥１．２ｑ３，ｎ
二、常返性的判别及其性质
本段论述如何用ｐｉｊ判别常返状态及性质．设｛ａｎ≥０｝为实数列，考虑其母函数ｎ，
∞ （ｎ）
Ａ（ｓ）＝６
ａｓ．ｎ
ｎ＝０
显然，如｛ａ｝有界，则Ａ（ｓ）对一切｜ｓ｜＜１收敛．进而，若｛ａ｝与｛ｂ｝的母函数分ｎｎｎ别为Ａ（ｓ）与Ｂ（ｓ），且对一切｜ｓ｜＜１收敛，则｛ａ与｛ｂ｝的卷积ｎ｝ｎ
ｎ
Ｃｎ＝
ａｂ　ｎ＝０，１， … ｋｎ－ｋ，
（４．１７）
ｋ＝０
的母函数Ｃ（ｓ）＝Ａ（ｓ）Ｂ（ｓ）．定理４．５　状态ｉ常返的充要条件为

∞
６
如ｉ非常返，则
∞
（ｎ）ｐｉｉ＝∞．
（４．１８）
ｎ＝０
６
（０）ｉｉ（０）ｉｉ
ｎ＝０
１（ｎ）ｐ．ｉｉ＝１－ｆｉｉ
证　规定ｐ＝１，ｆ＝０．由定理４．４知

ｎ
ｐｉｉ＝
ｎ
（ｎ）
ｐｉｉｆｉｉ
（ｎ）
（ｋ）（ｎ－ｋ）
，ｎ≥１．
（ｎ）
ｋ＝０
两边乘以ｓ，并对ｎ≥１求和，若记｛ｐｆ（ｓ）与ｉｉ｝与｛ｉｉ｝的母函数分别为ＰＦ（ｓ），与（４．１７）式比较即得Ｐ（ｓ）－１＝Ｐ（ｓ）Ｆ（ｓ）．注意到当０≤ｓ＜１时，Ｆ（ｓ）＜ｆ因此ｉｉ ≤１，１Ｐ（ｓ）＝，　０≤ｓ＜１．１－Ｆ（ｓ）（４．１９）
６１
显然对任意正整数Ｎ都有
Ｎ ∞ （ｎ）ｎｐ（ｓ）≤ ｉｉｓ ≤Ｐ
ｎ＝０
（ｎ）ｐ　０≤ｓ＜１ｉｉ，
（４．２０）
ｎ＝０
且当ｓ？１时Ｐ（ｓ）不减，故在（４．２０）式中如先令ｓ？１，再令Ｎ→∞，我们有

∞
ｌｉｍＰ（ｓ）＝
ｓ？１
（ｎ）ｐｉｉ．
（４．２１）
ｎ＝０
同理可得
∞
ｌｉｍＦ（ｓ）＝
ｓ？１
（ｎ）ｆｉｉ＝ｆｉｉ．
（４．２２）
ｎ＝０
令（４．１９）式两边中的ｓ？１，由（４．２１），（４．２２）式立得定理．定理４．５表示，当ｉ常返时，返回ｉ的次数是无限多次；当ｉ非常返时，返回ｉ的次数只能有限多次．为了进一步理解这一特性，我们给出“超限” 概率的定义ｇ（有无限多个ｎ使Ｘ｜Ｘ）ｉｊ＝Ｐｎ＝ｊ０＝ｉ
ｄ
Ｐ（有无限多个ｎ使Ｘ）ｉｎ＝ｊ
∞ ∞ ｎ
＝Ｐｉ
∩ ∪（Ｘ
ｍ＝１ｎ＝ｍ
＝ｊ）．
引理４．３　对任意状态ｉ，有ｇｉｊ＝证　令Ａｋ＝（ｅ：至少有ｋ个ｎ使Ｘ（ｅ）＝ｊ），ｎ可见Ａｋ＋１＜Ａ且ｋ，ｌｉｍＰ（Ａ）＝ｇｉｋｉｊ．

ｋ→ ∞
ｆｉｊ，如ｊ是常返，０，如ｊ非常返．
４．２３
（４．２４）
另一方面
∞
Ｐ（Ａ）＝Ｐｉｋ＋１ｉ
∞
Ｘ ≠ｊ，０＜ｖ＜ｍ，Ｘ ∪（
ｖｍ＝１
＝ｊ且至少有ｋ个ｎ使Ｘ）ｍ＋ｎ＝ｊ
＝６＝６
Ｐ（Ｘ，０＜ｖ＜ｍ，Ｘｍ＝ｊ）Ｐ（至少有ｋ个ｎ使Ｘｎ＝ｊ）ｉｖ ≠ｊｊ
（ｍ）ｆ（Ａ）＝ｆＰ（Ａ）．ｉｊＰｊｋｉｊｊｋ
ｍ＝１ ∞
４．２５
ｍ＝１
由ｉ的任意性，反复迭代（４．２５）并注意Ｐ（Ａ我们有ｊ１）＝ｆｊｊ，Ｐ（Ａ）＝ｆｆ（Ａ）＝…＝ｆ（ｆ）ｋ，ｉｋ＋１ｉｊｊｊＰｊｋ－１ｉｊｊｊ令ｋ →∞，由（４．２４）式及（４．２５）式有ｇｉｊ＝ｆｉｊ，如ｆｊｊ＝１，０，如ｆｊｊ＜１，
６２
从而引理得证．由上述引理，我们立即得到定理４．６．定理４．６　状态ｉ常返当且仅当ｇ如ｉ非常返，则ｇｉｉ＝１；ｉｉ＝０．对于常返态ｉ，为判别它是遍历或零常返，我们不加证明地给出下面定理．定理４．７　设ｉ常返且有周期ｄ，则
（ｎｄ）ｌｉｍｐ＝ｉｉｎ→ ∞
ｄ， μ ｉ
４．２６
ｄ其中 μ 当μ ｉ为ｉ的平均返回时间．ｉ＝∞时，＝０． μ ｉ由定理４．７立即得推论　设ｉ常返，则

（ｎ）（１）ｉ零常返Ｚｌｉｍｐｉｉ＝０；ｎ→ ∞
（２）ｉ遍历Ｚｌｉｍｐｉｉ＝
ｎ→ ∞
（ｎ）
１＞０． μ ｉ
（ｎｄ）（ｎ）ｎ→ ∞
证　（１）如ｉ零常返，由（４．２６）知ｌｉｍｐ＝０，但当ｎ≠０（ｍｏｄｄ）时ｐｉｉｉｉ＝０，故ｌｉｍｐ反之，若ｌｉｍｐ而ｉ是正常返，则由（４．２６）得ｌｉｍｐ＞ｉｉ＝０．ｉｉ＝０，ｉｉ

ｎ→ ∞ ｎ→ ∞ ｎ→ ∞ （ｎ）（ｎ）（ｎｄ）
０，矛盾．（２）设ｌｉｍｐｉｉ＝
ｎ→ ∞ （ｎ）
１１（ｎｄ）＞０，这说明ｉ为正常返且ｌｉｍｐ＝，与（４．２６）比较ｉｉ μ μ ｎ→ ∞ ｉｉ
（ｎ）
得ｄ＝１，故ｉ遍历；反之由定理４．７显然．我们称自状态ｉ可达状态ｊ，并记为ｉ →ｊ，如果存在ｎ＞０使ｐ称状ｉｊ＞０；态ｉ与ｊ互通，并记为ｉ＼ｊ，如ｉ →ｊ且ｊ →ｉ．定理４．８　可达关系与互通关系都具有传递性，即如果ｉ →ｊ，ｊ →ｋ，则ｉ →ｋ；如果ｉ＼ｊ，ｊ＼ｋ，则ｉ＼ｋ．证　ｉ →ｊ，即存在ｌ ≥１，使ｐｊ →ｋ，即存在ｍ≥１，使ｐｉｊ＞０，ｊｋ＞０．由Ｃ－Ｋ方程
（ｌ＋ｍ）（ｌ）（ｍ）（ｌ）（ｍ）ｐ＝６ｐｉｋｉｓｐｓｋ ≥ｐｉｊｐｊｋ＞０，ｓ（ｌ）（ｍ）
且ｌ＋ｍ≥１，所以ｉ →ｋ．将可达关系的证明，正向用一次，反向用一次，就可得出互通关系的传递性．下一定理指出互通关系的状态是同一类型．定理４．９　如ｉ＼ｊ，则（１）ｉ与ｊ同为常返或非常返，如为常返，则它们同为正常返或零常返；（２）ｉ与ｊ有相同的周期．
６３
证　（１）由于ｉ＼ｊ，由可达定义知存在ｌ ≥１和ｎ≥ １，使得

（ｌ）（ｎ）ｐ＞０，　ｐ＞０．ｉｊ＝α ｊｉ＝β
由Ｃ－Ｋ方程，总有
（ｌ＋ｍ＋ｎ）（ｌ）（ｍ）（ｎ）（ｍ）ｐ ≥ｐ β ｐｉｉｉｊｐｊｊｐｊｉ＝α ｊｊ；
（４．２７）（４．２８）
（ｎ＋ｍ＋ｌ）ｊｊ
≥ ｐｐｐ＝α β ｐ
∞
（ｎ）ｊｉ
（ｍ）ｉｉ
（ｌ）ｉｊ
（ｍ）ｉｉ
将上两式的两边从１到∞求和，得
∞
６６
∞ ∞
（ｌ＋ｍ＋ｎ）ｉｉ
ｍ＝１ ∞
≥α β６
ｐｊｊ；
（ｍ）ｐｉｉ．
（ｍ）
ｍ＝１ ∞
ｍ＝１
（ｌ＋ｍ＋ｎ）ｐ ≥α β６ｊｊ
ｍ＝１
可见，６
ｋ＝１
ｐｉｉ与６
（ｋ）
ｐ所以它们同为无穷或同为有限．由定理２知ｊｊ相互控制，
（ｋ）
ｋ＝１
ｉ，ｊ同为常返或同为非常返．又对（４．２７）式，（４．２８）式两边同时令ｍ→∞ 取极限，则有ｌｉｍｐｉｉ

ｍ→ ∞ （ｌ＋ｍ＋ｎ）
≥α βｌｉｍｐｊｊ；
ｍ→ ∞
（ｍ）
ｌｉｍｐｊｊ
ｍ→ ∞ ｋ→ ∞ ｋ→ ∞
（ｎ＋ｍ＋ｌ）
≥α βｌｉｍｐｉｉ．
ｍ→ ∞
（ｍ）
（ｋ）（ｋ）因此ｌｉｍｐｉｍｐ由定理４．５知，ｉ与ｊ同为零常返或同为ｉｉ与ｌｊｊ同为零或同为正．
正常返．（２）仍令ｐ＞０，　ｐ＞０．ｉｊ＝α ｊｉ＝β

（ｍ）设ｉ的周期为ｄ，ｊ的周期为ｔ．由（４．２７）式知，对任一使ｐ＞０的ｍ，必有ｊｊ（ｌ＋ｍ＋ｎ）（ｌ）（ｎ）
ｐｉｉ
＞０，从而ｄ可除尽ｌ＋ｍ＋ｎ，但ｐ ≥ｐ β ＞０，ｉｉｉｊｐｊｉ＝α

ｌ＋ｎ（ｌ）（ｎ）
所以ｄ也能除尽ｌ＋ｎ．可见ｄ可除尽ｍ，这说明ｄ≤ｔ．利用（４．２８）类似可证ｄ ≥ｔ．因而ｄ＝ｔ．例４．９　设马氏链｛Ｘｎ｝的状态空间为Ｉ＝｛０，１，２， … ｝，转移概率为ｐ００＝１１１，ｐ＝，ｐ＝，ｉ ∈Ｉ．２ｉ，ｉ＋１２ｉ０２１（２）１１１（３）１１１，ｆ・＝，ｆ・・＝００＝００＝２２２４２２２
（１）考查状态０，由图４．６易知ｆ００＝
１１（ｎ），一般有ｆ故００＝ｎ，８２ｆ００＝
１１，ｎ＝２ｎ＝１
６４
图４．６
μ ０＝
（１）可见０为正常返，由于ｐ００＝
ｎ２－ｎ＜∞．
ｎ＝１
１＞０，所以它是非周期的，因而是遍历的．对其它２
（ｎ）状态ｉ求ｆ但利用定理４．９，因ｉ＼０，故ｉ也是遍历的．ｉｉ较烦．
此例告诉我们，对互通状态的识别，只需对最简单的状态进行判断即可．例４．１０　设｛Ｘ｝为生灭链（例４．５），其中Ｘａ（ｉ ≥１），ｂ（ｉ ≥ ｎ０＝１，ｉ＞０ｉ＞００）．如

∞
６
则｛Ｘ｝的所有状态是常返的．ｎ
ｋ＝１
ａ１ａ２ …ａｋ＝∞，ｂ１ｂ２ …ｂｋ
（４．２９）
实际上｛Ｘｎ｝的状态是互通的，故只需验证状态０是常返即可．定义 τ ｉｎ｛ｎ：Ｘｎ＝ｊ｝．ｊ＝ｍ对固定的状态ｋ，记Ｕ（ｉ）＝Ｐ（ τ ）ｉ０＜τ ｋ则由全概率公式Ｕ（ｉ）＝ｂ（ｉ＋１）＋ａ（ｉ－１）＋ｒ（ｉ），０＜ｉ＜ｋ．ｉＵｉＵｉＵ因为ｒ－ａ所以由上式得ｉ＝１ｉ－ｂｉ，ａｉＵ（ｉ＋１）－Ｕ（ｉ）＝［Ｕ（ｉ）－Ｕ（ｉ－１）］ｂｉａｉａｉ－１＝・［Ｕ（ｉ－１）－Ｕ（ｉ－２）］ｂｉｂｉ－１＝… ＝令β β ０＝１，ｉ＝ａａｉｉ－１ …ａ１［Ｕ（１）－Ｕ（０）］．ｂｂ …ｂｉｉ－１１
ｄ
Ｐ（ τ ｜Ｘ），０＜ｉ＜ｋ，０＜τ ｋ０＝ｉ
ａ１ａ２ …ａｉ，Ｕ（０）＝１，则有ｂｂ …ｂ１２ｉＵ（ｉ）－Ｕ（ｉ＋１）＝β ［１－Ｕ（１）］．ｉ（４．３０）
§ ４．３　状态空间的分解
６５
上式两边求和并注意Ｕ（ｋ）＝０，得
ｋ－１
１＝［１－Ｕ（１）］６由（４．３０）式得
ｋ－１
β ｉ．
ｉ＝０
ｋ－１
ｋ－１
Ｕ（ｉ）＝
［Ｕ（ｊ）－Ｕ（ｊ＋１）］＝
ｊ＝ｉ
β ｊ
ｊ＝ｉ
β ｊ．
ｊ＝０
因为（ τ ）？（ τ 故由（４．２９）及上式得０＜τ ｋ０＜∞），Ｐ τ ）＝ｌｉｍＰ τ ）１（０＜∞ １（０＜τ ｋ

ｋ→ ∞ ｋ－１ｋ－１
＝ｌｉｍ
ｋ→ ∞
β ｊ
ｊ＝１
６６
β ｊ β ｊ
－１
ｊ＝０
ｋ－１
＝ｌｉｍ１－
ｋ→ ∞
＝１．
ｊ＝０
注意到Ｐ τ 所以１（０＜∞）＝ｆ１０，ｆ００＝ｐ００＋ｐ０１ｆ１０＝ｒ０＋ｂ０＝１．由此知状态０是常返的．由上可见，如生灭链的ａ，则它是常返链．由于状态的常返性与初ｉ≥ｂｉ＞０始分布无关，因此假设Ｘ０＝１不影响结论的一般性．
定义４．９　状态空间Ｉ的子集Ｃ称为（随机）闭集，如对任意ｉ ∈ Ｃ及ｋ的，如其状态空间不可约．引理４．４　Ｃ是闭集的充要条件为对任意ｉ ∈Ｃ及ｋ
（ｍ）设ｎ＝ｍ时，ｐｉ ∈ Ｃ，ｋｉｋ＝０，（ｎ）Ｃ都有ｐ，ｎ≥ １．ｉｋ＝０
都有ｐ闭集Ｃ称为不可约的，如Ｃ的状态互通．马氏链｛Ｘｉｋ＝０．ｎ｝称为不可约
证　只需证必要性．用归纳法，设Ｃ为闭集，由定义当ｎ＝１时结论成立．今Ｃ，则

（ｍ）（ｍ）ｊ∈ ＣｊＣ
ｐｉｋ
（ｍ＋１）
＝６ｐｐｉｊｐｊｋ＋６ｉｊｐｊｋ＝６ｐ０＋
（ｍ）ｉｊｊ∈ Ｃ
０ｐ，ｊｋ＝０
ｊＣ
引理得证．闭集的意思是自Ｃ的内部不能到达Ｃ的外部．这意味着一旦质点进入闭集Ｃ中，它将永远留在Ｃ中运动．称状态ｉ为吸收的，如ｐ显然状态ｉ吸收等价于单点集｛ｉ｝为闭集．ｉｉ＝１．例４．１１　设马氏链｛Ｘ｝的状态空间Ｉ＝｛１，２，３，４，５｝，转移矩阵为ｎ
６６
１／２０Ｐ＝００１００１
０１００
１／２０００００００．００
１／２０１／２
由图４．７知３是吸收的，故｛３｝是闭集．｛１，４｝，｛１，４，３｝，｛１，２，３，４｝都是闭集，其中｛３｝及｛１，４｝是不可约的．又Ｉ含有闭子集，故｛Ｘ｝不是不可约链．ｎ
图４．７
例４．１２　无限制随机游动为不可约马氏链，各状态的周期为２且当ｐ＝ｑ＝１／２时是零常返链，当ｐ≠ｑ时是非常返链．证　无限制随机游动的所有状态都是互通的，故只需判断状态０是零常返还是非常返态．由于ｐ００＝
（ｎ）ｍｍｍＣ＝２ｍ，２ｍｐｑ，ｎ
０，
∞
ｎ＝２ｍ－１，ｍ＝１，２， …，
∞
其中ｑ＝１－ｐ，故状态０是否常返的充要条件是级数
ｐ００＝
（ｎ）
ｎ＝１
Ｃ２ｍｐｑ
ｍ＝１
是否收敛．由Ｓｔｅｒｌｉｎｇ公式，当ｎ充分大时ｎ！≈ ２ πｎｎｅ，所以

２ｍ－２ｍ（２ｍ）！２ π （２ｍ）（２ｍ）ｅｍ　Ｃ＝ ≈ ２ｍ２２ｍ－２ｍ（ｍ！）２ πｍｍｅｎ－ｎ
４． πｍ
∞
６７
故级数
ｎ＝１
ｐ００收敛的充要条件是级数６
（ｎ）
（４ｐｑ）ｍ收敛．ｍ＝１ｍ π
∞
（１）当ｐ＝ｑ时
∑
此时
（４ｐｑ）ｍ＝ｍ＝１ｍ π
ｍ＝１
１１１ ≥ ＝∞． ∑ ｍ π π ｍ＝１ｍ１
ｌｉｍｐ００
ｍ→ ∞
（２ｍ）
＝ｌｉｍ
ｍ→ ∞
＝０．ｍ π ｎ＝２ｍ，ｎ＝２ｍ－１，
故有ｌｉｍｐ＝
ｎ→ ∞ （ｎ）００
ｌｉｍｐ００
ｍ→ ∞
（２ｍ）
＝０，
０，
ｍｍｍ
即状态０为零常返态．（２）当ｐ≠ｑ时，记ａ由于４ｐｑ＜１．故ｍ＝Ｃ２ｍｐｑ，ｌｉｍａ（２ｍ＋２）（２ｍ＋１）ｍ＋１＝ｌｉｍｐｑ２ｍ→ ∞ ａｍ→ ∞ （ｍ＋１）ｍ ≤４ｐｑ＜１．由比值判别法知

∞ ∞ （ｎ）００
∑ｐ
ｎ＝１
∑ａ
ｍ＝１
收敛．故状态０是非常返的．我们知道自常返状态只能到达常返状态，因此Ｉ中全体常返状态组成一闭集Ｃ．在Ｃ中互通关系具有自返性，对称性和传递性，因而它决定一分类关系．按互通关系我们可得到状态空间的分解定理．定理４．１０　任一马氏链的状态空间Ｉ，可惟一地分解成有限个或可列个互不相交的子集Ｄ，ＣＣ …之和，使得１，２，（１）每一Ｃｎ是常返态组成的不可约闭集．（２）Ｃ或全是正常返，或全是零常返．它们有相同的周期且ｎ中的状态同类，ｆｊ，ｋ ∈Ｃｉｋ＝１，ｎ．（３）Ｄ由全体非常返态组成．自Ｃｎ中的状态不能到达Ｄ中的状态．证　记Ｃ为全体常返状态反成的集合，Ｄ＝Ｉ－Ｃ为非常返状态全体．将Ｃ按互通关系进行分解，则Ｉ＝Ｄ∪ Ｃ１∪Ｃ２ ∪…，其中每一个Ｃ且由定理４．９知Ｃｎ是由常返状态组成的不可约的闭集，ｎ中的状态同类型．显然，自Ｃｎ中的状态不能到达Ｄ中状态．
６８
我们称Ｃ分解定理中的集Ｄ不一定是闭集，但如Ｉ为有ｎ为基本常返闭集．限集，Ｄ一定是非闭集．因此，如最初质点是自某一非常返状态出发，则它可能就一直在Ｄ中运动，也可能在某一时刻离开Ｄ转移到某一基本常返闭集Ｃｎ中．一旦质点进入Ｃ它将永远在此Ｃ在后面的定理中我们将进一ｎ后，ｎ中运动，步揭示质点在闭集Ｃ下面我们看一个例子．ｎ中的运动规律．例４．１３　设Ｉ＝｛１，２， …，６｝，转移矩阵为００Ｐ＝０１０００００１００００００００１０００１０００，
１／３１／３０１／３０１／２０
００１／２
试分解此链并指出各状态的常返性及周期性．
（３）（ｎ）解　由图４．８知ｆｆ０，ｎ≠３．所以１１＝１，１１＝ ∞
μ １＝
ｆ ∑ｎ
ｎ＝１
（ｎ）１１
＝３，
可见１为正常返状态且周期等于３．含１的基本常返闭集为Ｃｋ：１→ｋ｝＝｛１，３，５｝，１＝｛从而状态３及５也为正常返且周期为３．同理可知６为正常返状态． μ ／２，其６＝３周期为１，含６的基本常返闭集为
图４．８　
Ｃｋ：６→ｋ｝＝｛２，６｝．２＝｛可见２是遍历状态．由于ｆ／３，ｆｎ≠１，故４非常返，周期为１，于是Ｉ可分解为４４＝１４４＝０，Ｉ＝Ｄ∪ Ｃ４｝∪｛１，３，５｝∪｛２，６｝．１ ∪Ｃ２＝｛
（１）（ｎ）
６９
定义４．１０　称矩阵（ａ）为随机矩阵，如其元素非负且对每ｉ有 ∑ａｉｊｉｊ＝１．

ｊ
显然ｋ步转移矩阵Ｐ＝（ｐ）为随机矩阵．引理４．５　设Ｃ为闭集，又Ｇ＝（ｐ，ｉ，ｊ ∈ Ｃ是Ｃ上所得的（即与Ｃ相ｉｊ）应的）ｋ步转移子矩阵，则Ｇ仍是随机矩阵．证　任取ｉ ∈Ｃ，由引理４．４我们有１＝
（ｋ）（ｋ）
（ｋ）
（ｋ）ｉｊ
∑ｐ
ｊ∈ Ｉ
（ｋ）ｉｊ
∑ｐ
ｊ∈ Ｃ
（ｋ）ｉｊ
∑ｐ
ｊＣ
（ｋ）ｉｊ
∑ｐ
ｊ∈ Ｃ
（ｋ）ｉｊ
显然ｐ故Ｇ为随机矩阵．ｉｊ ≥０，由此可见，对Ｉ的一个闭子集Ｃ，可考虑Ｃ上的原马氏链的子马氏链．其状态空间为Ｃ，转移矩阵Ｇ＝（ｐ），ｉ，ｊ ∈ Ｃ是原马氏链转移矩阵Ｐ＝（ｐ），ｉ，ｊ ∈ ｉｊｉｊＩ的子矩阵．下面我们研究质点在不可约闭集Ｃ中的运动情况．定理４．１１　周期为ｄ的不可约马氏链，其状态空间Ｃ可惟一地分解为ｄ个互不相交的子集之和，即
ｄ－１
Ｃ＝
∪
ｒ＝０
ＧＧｒ，ｒ∩ Ｇｓ＝
，　ｒ ≠ｓ，
（４．３１）
且使得自Ｇ经一步转移必进入Ｇ（其中Ｇ）．ｒ中任一状态出发，ｒ＋１中ｄ＝Ｇ０证　任意取定一状态ｉ，对每一ｒ＝０，１， …，ｄ－１，定义集Ｇｊ：对某个ｎ ≥０，ｐｒ＝｛ｉｊ
ｄ－１（ｎｄ＋ｒ）
＞０｝．
（４．３２）
因Ｃ不可约，故
∪
ｒ＝０
Ｇ．ｒ＝Ｃ
（ｎｄ＋ｒ）（ｍｄ＋ｓ）其次，如存在ｊ ∈ Ｇｒ ∩ Ｇ由（４．３２）必存在ｎ及ｍ使ｐ＞０，ｐ＞ｓ，ｉｊｉｊ（ｈ）０，又因ｊ＼ｉ，故必存在ｈ，使ｐ于是ｊｉ＞０，（ｎｄ＋ｒ＋ｈ）（ｎｄ＋ｒ）（ｈ）ｐ ≥ｐｐ０，ｉｉｉｊｊｉ＞
ｐｉｉ
（ｍｄ＋ｓ＋ｈ）
≥ｐｉｊ
（ｍｄ＋ｓ）
ｐｊｉ＞０．
（ｈ）
由此可见ｒ＋ｈ及ｓ＋ｈ都能被ｄ除尽，从而其差（ｒ＋ｈ）－（ｓ＋ｈ）＝ｒ－ｓ也可被ｄ除尽，但０≤ ｒ，ｓ ≤ ｄ－１，故只能ｒ－ｓ＝０，因而Ｇ这说明当ｒ ≠ｓ时Ｇｒ＝Ｇｓ，ｒ ∩Ｇｓ＝．
ｋ∈ Ｇｒ＋１
下证对任一ｊ ∈Ｇ有ｒ，１＝
∑
ｋ
ｐ实际上ｊｋ＝１．ｐｊｋ＝
∑ｐ＝ ∑
ｊｋｋ∈ Ｃ
ｐｊｋ＋
（ｎｄ＋ｒ）ｉｊ
ｋ∈ Ｇｒ＋１
∑
Ｇｒ＋１
ｋ∈ Ｇｒ＋１
ｐｊｋ．
图４．９　
最后一个等式是因设ｐ
＞０，故当ｋ
（ｎｄ＋ｒ＋１）ｉｋ
Ｇ由ｒ＋１时，
（ｎｄ＋ｒ）
０＝ｐ
≥ｐｉｊ
ｐｊｋ
７０
ｐ０．ｊｋ＝
最后证明分解的惟一性，这只需证｛Ｇ｝与最初ｉ的选择无关，亦即如对某固定ｒ的ｉ，状态ｊ与ｋ同属于某Ｇ则对另外选定的ｉ ′ ，状态ｊ与ｋ仍属于同一Ｇｒ，ｒ ′ （ｒ与ｒ ′ 可以不同）．实际上，设对ｉ分得ＧＧ …，Ｇｄ－１，对ｉ ′分得Ｇ ′ Ｇ ′ ０，１，０，１， …，Ｇ ′ 又假设ｊ，ｋ ∈Ｇｉ ′ ∈Ｇ则ｄ－１，ｒ，ｓ，当ｒ≥ｓ时，自ｉ ′ 出发，只能在ｒ－ｓ，ｒ－ｓ＋ｄ，ｒ－ｓ＋２ｄ， …等步上到达ｊ或ｋ，故ｊ与ｋ都属于Ｇ ′ ｒ－ｓ．当ｒ＜ｓ时，自ｉ ′ 出发，只能在ｄ－（ｓ－ｒ）＝ｒ－ｓ＋ｄ，ｒ－ｓ＋２ｄ， …等步上到达ｊ或ｋ，故ｊ与ｋ都属于Ｇ ′ 证毕．ｒ－ｓ＋ｄ．例４．１４　设不可分马氏链的状态空间为Ｃ＝｛１，２，３，４，５，６｝，转移矩阵为００００００１／２００１０１０１０００００１／２０１／３０００．０００１／３０Ｐ＝１／３０
０１／４
３／４０
由状态转移图４．１０易见各状态的周期ｄ＝３．今固定状态ｉ＝１，令
图４．１０　
（３ｎ）Ｇｊ：对某ｎ≥０有ｐ｝＝｛１，４，６｝，０＝｛１，ｊ＞０（３ｎ＋１）Ｇｊ：对某ｎ≥０有ｐ＞０｝＝｛３，５｝，１＝｛１，ｊ
Ｇｊ：对某ｎ≥０有ｐ２＝｛１，ｊ故此链在Ｃ中的运动如图４．１１．
（３ｎ＋２）
＞０｝＝｛２｝，
Ｃ＝Ｇ１，４，６｝∪｛３，５｝∪ ｛２｝．０∪Ｇ１ ∪Ｇ２＝｛
７１
定理４．１２　设｛Ｘｎ≥０｝是周期为ｄ的不可约马氏链，则在定理４．１１的ｎ，结论下有（１）如只在时刻０，ｄ，２ｄ， … 上考虑｛Ｘ即得一ｎ｝，
（ｄ）（ｄ）新马氏链，其转移阵Ｐ＝（ｐ对此新链，每一Ｇｒｉｊ），
是不可约闭集，且Ｇｒ中的状态是非周期的；（２）如原马氏链｛Ｘ｝常返，｛Ｘ｝也常返．ｎｎｄ证　（１）由定理４．１１得知ＧＸｎｄ｝是闭集．其ｒ对｛次对Ｐｊ，ｋ ∈Ｇ因｛Ｘｎ｝不可约，故存在Ｎ使ｐｒ，ｊｋ＞０．
（Ｎ）
图４．１１　
由定理４．１１知Ｎ只能是ｎｄ形，换言之，对｛Ｘ｝状态ｊ →ｋ，同理ｋ →ｊ，故ｊ＼ｋｎｄ即Ｇ由引理４．１，存在Ｍ，对一切ｎ≥ Ｍ，有ｐ＞０，可见对｛Ｘｎｄ｝状ｒ不可分．ｊｊ态ｊ的周期为１．
（ｎ）（２）设｛Ｘ｝常返，任取ｊ ∈Ｇ由周期的定义知，当ｎ≠０（ｍｏｄｄ）时ｐｎｒ，ｊｊ＝（ｎ）（ｎｄ）
０，因而ｆ０，故ｊｊ＝
∞ ∞
１＝即ｊ对｛Ｘ｝也是常返的．ｎｄ
ｎ＝１
ｆ，ｊｊ＝ ∑ ｆｊｊ
（ｎ）（ｎｄ）ｎ＝１
例４．１５　设｛Ｘ｝为例４．１４中的马氏链，已知ｄ＝３，则｛Ｘｎ≥０｝的转移ｎ３ｎ，矩阵为１／３００１Ｐ＝

（３）
００００
１／３０１／３１／３
００００
１／３００１／３０１／３．
００７／１２１／３０１／３０００７／１２
０５／１２０５／１２
由于链Ｘ１２）知，Ｇ１，４，６｝，Ｇ｛３，５｝，Ｇ２｝３ｎ的状态转移图（图４．０＝｛１＝２＝｛
图４．１２　
７２
各形成不可约闭集，周期为１．
（ｎ） § ４．４　ｐｉｊ的渐近性质与平稳分布
对ｐ我们讨论两个问题．一是ｌｉｍｐ二是其极限ｉｊ的极限性质，ｉｊ是否存在，

ｎ→ ∞
（ｎ）
（ｎ）
是否与ｉ有关，这就与马尔可夫链的所谓平稳分布有密切联系．

（ｎ）一、ｐｉｊ的渐近性质
定理４．１３　如ｊ非常返或零常返，则

（ｎ）ｌｉｍｐＰｉ ∈Ｉ．ｉｊ＝０，ｎ→ ∞
（４．３３）
证　由定理４．４，对Ｎ＜ｎ我们有
ｎ（ｎ）ｐｉｊ＝Ｎ（ｋ）（ｎ－ｋ）ｆ ≤ ｉｊｐｊｊｎ（ｋ）（ｎ－ｋ）ｆ＋ｉｊｐｊｊ
∑
ｋ＝１
∑
ｋ＝１
ｋ＝Ｎ＋１（ｎ）
（ｋ）ｆｉｊ．
固定Ｎ，先令ｎ→∞，由定理４．７的推论知，上式右方第一项因ｐｊｊ →０而趋于

∞
０．再令Ｎ→∞，第二项因
∑ｆ
ｋ＝１
（ｋ）ｉｊ
≤１而趋于０，故
（ｎ）ｎ→ ∞
ｌｉｍｐ．ｉｊ＝０推论１　有限状态的马氏链，不可能全是非常返状态，也不可能含有零常返状态．从而不可约的有限马氏链必为正常返的．证　设Ｉ＝｛０，１， …，Ｎ｝．如全是非常返，则对任意ｉ，ｊ ∈Ｉ，由定理４．１３知ｐ → ０，故当ｎ→∞时，就有
Ｎ（ｎ）１＝ ∑ ｐ０，ｉｊ → ｊ＝０（ｎ）ｉｊ
这就产生了矛盾．其次，如Ｉ含有零常返状态ｉ，则Ｃ＝｛ｊ：ｉ →ｊ｝是不可约闭集，又因它是有限集，故所有状态均为零常返．于是由定理４．１３知１＝矛盾，证毕．推论２　如马氏链有一个零常返态，则必有无限多个零常返状态．证　设ｉ为零常返，则Ｃ＝｛ｊ：ｉ →ｊ｝为不可约闭集，其状态全为零常返，故不能是有限集，否则同样与（４．３４）矛盾．定理４．１３考虑的是非常返状态和零常返状态的渐近分布，但是当ｊ是正常
（ｎ）返状态时，ｌｉｍｐ即使存在也可能与ｉ有关．因此，我们退而研究ｉｊ不一定存在．ｎ→ ∞
∑ｐ
ｊ∈ Ｃ
（ｎ）ｉｊ
→０，
（４．３４）
７３
ｐｄ≥１）及ｉｊ（
（ｎｄ）
１（ｋ）ｐ记ｉｊ的极限．ｎ∑ ｋ＝１
∞
ｆ（ｒ）＝ｉｊ
∑ｆ
ｍ＝０ ∞ ｄ－１
（ｍｄ＋ｒ）ｉｊ
，０≤ｒ≤ｄ－１．
（４．３５）
它表示质点由ｉ出发，在时刻ｎ＝ｒ（ｍｏｄｄ）首次到达ｊ的概率，显然

ｄ－１ ∞
ｆ（ｒ）＝ｉｊ
ｒ＝０
∑∑
ｆｉｊ
（ｍｄ＋ｒ）
ｍ＝０ｒ＝０
∑ｆ
ｍ＝０
（ｍ）ｉｊ
＝ｆｉｊ，
（４．３６）
则我们有下面一般性定理．定理４．１４　如ｊ正常返，周期为ｄ，则对任意ｉ及０≤ｒ ≤ ｄ－１有ｄ（ｎｄ＋ｒ）ｌｉｍｐ＝ｆ（ｒ）．ｉｊｉｊｎ→ ∞ μ ｊ

（ｎ）证　因为ｐ，ｎ≠０（ｍｏｄｄ）．故ｊｊ＝０ｎｄ＋ｒｎ
（４．３７）
ｐｉｊ
（ｎｄ＋ｒ）
∑
ｖ＝０
ｆｉｊｐｊｊ
（ｖ）
（ｎｄ＋ｒ－ｖ）
＝∑ｆｉｊ
ｍ＝０
（ｍｄ＋ｒ）
ｐｊｊ
（ｎ－ｍ）ｄ
于是，对１≤ Ｎ≤ｎ有

ＮＮ ∞
ｆｉｊ
（ｍｄ＋ｒ）
ｐｊｊ
（ｎ－ｍ）ｄ
≤ｐｉｊ
（ｎｄ＋ｒ）
ｍ＝０
ｆｉｊ
（ｍｄ＋ｒ）
ｐｊｊ
（ｎ－ｍ）ｄ
ｍ＝０
ｍ＝Ｎ＋１
ｆｉｊ
（ｍｄ＋ｒ）
在上式中先固定Ｎ，然后令ｎ→∞，再令Ｎ→∞，由定理４．７即得ｄｄ（ｎｄ＋ｒ）ｆ（ｒ） ≤ｌｉｍｐ ≤ｆ（ｒ），ｉｊｉｊｉｊ μ μ ｎ→ ∞ ｊｊ因此（４．３７）式得证．推论　设不可约、正常返、周期ｄ的马氏链，其状态空间为Ｃ，则对一切ｉ，ｊ ∈Ｃ，有ｌｉｍｐ
ｎ→ ∞ ｄ－１（ｎｄ）ｉｊ
ｄ， μ ＝ｊ０，
如ｉ与ｊ同属于子集Ｇｓ，否则，
（４．３８）
其中Ｃ＝
∪
ｓ＝０
Ｇ１１中所给出．ｓ为定理４．
特别，如ｄ＝１，则对一切ｉ，ｊ有ｌｉｍｐｉｊ＝
ｎ→ ∞ （ｎ）
１． μ ｊ
（４．３９）
证　在上定理中取ｒ＝０，我们得ｄ（ｎｄ）ｌｉｍｐ＝ｆ（０），ｉｊｉｊ μ ｎ→ ∞ ｊ
∞
其中ｆ（０）＝ｉｊ而ｆｉｊ
（ｍｄ）
∑ｆ
ｍ＝０
（ｍｄ）ｉｊ
（ｍｄ）．如ｉ与ｊ不在同一个Ｇ则由定理４．１１，ｐ＝０．从ｓ中，ｉｊ（ｎ）（ｎ）
＝０，于是ｆ（０）＝０．如ｉ与ｊ属于Ｇ则ｐ（从而ｆ），ｎ≠０ｉｊｓ，ｉｊ＝０ｉｊ＝０
７４
（ｍｏｄｄ）．故
∞ ∞ （ｍｄ）ｆ＝ｉｊ
ｆ（０）＝ｉｊ
ｍ＝０
∑ｆ
ｍ＝０
（ｍ）ｉｊ
＝ｆｉｊ＝１．
（４．３５）式中概率ｆ（ｒ）似与ｊ有关，实际上ｆ（ｒ）只依赖于ｊ所在的子集ｉｊｉｊＧ即对Ｐｊ，ｋ ∈Ｇ都有ｆ（ｒ）＝ｆｒ）．ｓ，ｓ，ｉｊｉｋ（

ｎ
我们知道
ｎ
∑ｐ
ｋ＝１
（ｋ）ｊｊ
表示自ｊ出发，在ｎ步之内返回到ｊ的平均次数，故
１１（ｋ）ｐ而也表示自ｊ出发每单位ｊｊ表示每单位时间内再回到ｊ的平均次数，ｎ∑ μ ｊｋ＝１时间回到ｊ的平均次数，所以应有１１（ｋ）ｐ．ｊｊ ≈ ｎ∑ μ ｊｋ＝１如果质点由ｉ出发，则要考虑自ｉ出发能否到达ｊ的情况，即要考虑ｆｉｊ的大小．于是我们有定理４．１５　对任意状态ｉ，ｊ，有０，ｎ１（ｋ）ｌｉｍ ∑ ｐｉｊ＝ｆｉｊｎ→ ∞ ｎ，ｋ＝１ μ ｊ
ｎｎ
如ｊ非常返或零常返，如ｊ正常返．
（ｎ）
证　如ｊ为非常返或零常返，由定理４．１３知ｐ所以ｉｊ →０，１（ｋ）ｐｎ→∞ ）．ｉｊ →０　（ｎ∑ ｋ＝１如ｊ正常返、有周期ｄ，我们应用下面事实：假设有ｄ个数列｛ａ｝，ｓ＝０，ｎｄ＋ｓ１，２， …，ｄ－１，如对每一ｓ，存在ｌｉｍａ则必有ｎｄ＋ｓ＝ｂｓ，
ｎ→ ∞
ｌｉｍ
１１ａｂｋ＝ｓ． ∑ ｎ→ ∞ ｎｄ∑ ｋ＝１ｓ＝０
（ｎｄ＋ｓ）
ｄ－１
（４．４０）
在（４．４０）式中令ａｎｄ＋ｓ＝ｐｉｊ
ｎ
ｄ，由定理４．１４知ｂ（ｓ）．于是得ｓ＝ｆｉｊ μ ｊ
ｄ－１ｄ－１
ｌｉｍ
１１ｄ１（ｋ）ｐｆ（ｓ）＝ｉｊ＝ｉｊ ∑ ∑ ｎ→ ∞ ｎｋ＝１ｄｓ＝０ μ μ ｊｊ＝ｆｉｊ． μ ｊ
ｎ
ｓ） ∑ ｆ（
ｉｊｓ＝０
推论　如｛Ｘｎ｝不可约，常返，则对任意ｉ，ｊ，有１１（ｋ）ｌｉｍ ∑ｐ．ｉｊ＝ μ ｎ→ ∞ ｎｊｋ＝１当μ 理解ｊ＝∞时，１＝０． μ ｊ
７５
（ｎ）定理４．１５及推论指出，当ｊ正常返时，尽管ｌｉｍｐ但其平均ｉｊ不一定存在，ｎ→ ∞
值的极限存在，特别是当链不可约时，其极限与ｉ无关．在马氏链理论中， μ ｊ是一个重要的量，定理４．１４，４．１５的推论及定义都给出 μ 下面我们通ｊ的计算公式，过平稳分布给出另外一种计算 μ ｊ的方法．
二、平稳分布
设｛Ｘｎ，ｎ≥０｝是齐次马尔可夫链，状态空间为Ｉ，转移概率为ｐｉｊ．定义４．１１　称概率分布｛ π ｊ ∈Ｉ｝为马尔可夫链的平稳分布，若它满足ｊ， π ｊ＝
∑πｐ，
ｉｉｊｉ∈ Ｉ
（４．４１）
∑π
ｊ∈ Ｉ
＝１， π ｊ ≥０．
由定义知，若初始概率分布｛ｐｊ ∈Ｉ｝是平稳分布，则由定理４．２有ｊ，ｐ（１）＝Ｐ（Ｘｊ）＝ｊ１＝ｐ（２）＝Ｐ（Ｘ）＝ｊ２＝ｊ根据归纳法可得ｐ（ｎ）＝Ｐ（Ｘ）＝ ∑ ｐ（ｎ－１）ｐｐｊｎ＝ｊｉｉｊ＝ ∑ ｐｉｉｊ＝ｐｊ．

ｉ∈ Ｉｉ∈ Ｉｉ
∑ ｐｐ＝ｐ，
ｉｉｊｊｉ∈ Ｉｉｊｉｉｊｊｉ∈ Ｉ
１）ｐ＝ ∑ ｐｐ＝ｐ． ∑ ｐ（
ｉ∈ Ｉ
综合上述有ｐ（１）＝…＝ｐ（ｎ）．ｊ＝ｐｊｊ这说明，若初如概率分布是平稳分布，则对一切正整数ｎ，绝对概率ｐ（ｎ）等于ｊ初始概率ｐ故它们同样是平稳分布．ｊ，值得注意的是，对平稳分布｛ π ｊ ∈Ｉ｝，有ｊ， π ｐｊ＝ ∑ π ｉｉｊ．
（ｎ）ｉ∈ Ｉ
（４．４２）
事实上，因为 π ｊ＝＝以此类推可得（４．４２）式．定理４．１６　不可约非周期马尔可夫链是正常返的充要条件是存在平稳分布，且此平稳分布就是极限分布１，ｊ ∈Ｉ． μ ｊ
∑ πｐ＝ ∑ ∑π ｐ
ｉｉｊｉ∈ Ｉｉ∈ Ｉｋ∈ Ｉ
ｋｋｉ
ｐｉｊ
（２）ｉｊ
∑π ∑ｐｐ
ｋｋ∈ Ｉｉ∈ Ｉ
ｋｉｉｊ
∑π ｐ
ｋｋ∈ Ｉ
证　先证充分性．设｛ π ｊ ∈Ｉ｝是平稳分布，于是由（４．４２）式有ｊ，
７６
（ｎ） π ｐｊ＝ ∑ π ｉｉｊ．ｉ∈ Ｉ
由于
故可交换极限与求和顺序，得 ∑π ＝１和π ≥０，

ｊｊｊ∈ Ｉ（ｎ）ｉｍｐ π ｌｉｍ∑ π ｐｉｊｊ＝ｉｉｊ＝ ∑π ｉｌｎ→ ∞ ｉ∈ Ｉｉ∈ Ｉｎ→ ∞ （ｎ）
＝ ∑π ｉ
ｉ∈ Ｉ
１１＝． μ μ ｊｊ１
ｋｋ
因为
故至少存在一个π ＞０，即＞０，于是 ∑π ＝１， μ

ｉｉ∈ Ｉ（ｎ）ｌｉｍｐｉｋ＝ｎ→ ∞
１＞０， μ ｋ
ｋ为正常返态，故该马氏链是正常返的．再证必要性．设马氏链是正常返的，于是ｌｉｍｐｉｊ＝

ｎ→ ∞ （ｎ）
１＞０． μ ｊ
Ｎ
由Ｃ－Ｋ方程，对任意正数Ｎ，有

（ｎ＋ｐｉｊｍ）
（ｍ）（ｎ）（ｍ）（ｎ）ｉｋｐｋｊ ≥ ∑ ｐｉｋｐｋｊ． ∑ｐｋ∈ Ｉｋ＝０
令ｍ→∞取极限，得１ ≥ μ ｊ再令Ｎ→∞取极限，得１ ≥ μ ｊ
∞ Ｎ
∑
ｋ＝０
１（ｎ）ｐｋｊ． μ ｋ１（ｎ）ｐｋｊ． μ ｋ
ｋ＝０
１（ｎ）ｐｋｊ＝ μ ｋ
∑
Ｎ
（４．４３）
ｋ∈ Ｉ
下面要进一步证明等号成立，由１＝
（ｎ）（ｎ）ｉｋ ≥ ∑ ｐｉｋ， ∑ｐｋ∈ Ｉｋ＝０
先令ｎ→∞，再令Ｎ→∞取极限，得１≥
∑ μ．
ｋ∈ Ｉｋ
将（４．４３）式对ｊ求和，并假定对某个ｊ，（４．４３）式为严格大于，则１≥ ＝于是有自相矛盾的结果：
∑ μ ＞ ∑ ∑ μｐ
ｊ∈ Ｉｊｊ∈ Ｉｋ∈ Ｉｋ
（ｎ）ｋｊ
ｋ∈ Ｉ
１（ｎ） ∑ｐｋｊ μ ｋｊ∈ Ｉ１
ｊ
∑ μ，
ｋ∈ Ｉｋ
∑ μ＞ ∑ μ，
ｊ∈Ｉｋ∈ Ｉｋ
７７
故有１＝ μ ｊ再令ｎ→∞取极限，得１＝ μ ｊ故有１
ｋ
∑ μｐ
ｋ∈ Ｉｋ（ｎ）
（ｎ）ｋｊ
（４．４４）
∑μ
ｋ∈ Ｉ
１
ｋ
ｌｉｍｐｋｊ
ｎ→ ∞
１ μ ｊ
∑ μ，
ｋ∈ Ｉｋ
由（４．４４）式知 ∑ μ ＝１．
ｋ∈ Ｉ
１，ｊ ∈Ｉ是平稳分布，证毕． μ ｊ
推论１　有限状态的不可约非周期马尔可夫链必存在平稳分布．证　由定理４．１３的推论１知，此马尔可夫链只有正常返态，再由定理４．１６知必存在平稳分布，证毕．推论２　若不可约马尔可夫链的所有状态是非常返或零常返的，则不存在平稳分布．证　用反证法．假设｛ π ｊ ∈Ｉ｝是平稳分布，则由（４．４２）式，有ｊ，
（ｎ） π ｐｊ＝ ∑ π ｉｉｊ．ｉ∈ Ｉ
但是，根据定理４．１３，有
（ｎ）ｌｉｍｐ．ｉｊ＝０ｎ→ ∞
显然
与平稳分布 ∑ π ＝１矛盾，证毕． ∑π ＝０，

ｊｊｊ∈ Ｉｊ∈ Ｉ
推论３　若｛ π ｊ ∈Ｉ｝是不可约非周期马氏链的平稳分布，则ｊ，ｌｉｍｐ（ｎ）＝ｊ
ｎ→ ∞
１＝π ｊ． μ ｊ１，有 μ ｊ１ μ ｊ
（４．４５）
证　根据ｐ（ｎ）＝ｊ
∑ｐｐ
ｉｉ∈ Ｉ
（ｎ）ｉｊ
及ｌｉｍｐｉｊ＝
ｎ→ ∞ （ｎ）
（ｎ）
ｌｉｍｐ（ｎ）＝ｌｉｍ∑ ｐｐｊｉｉｊ＝
ｎ→ ∞ ｎ→ ∞ ｉ∈ Ｉ
∑ ｐ＝μ ，
ｉｉ∈Ｉｊ
１由定理４．１６知，＝π 证毕．ｊ， μ ｊ例４．１６　设马尔可夫链的转移概率矩阵为０．７Ｐ＝０．１０．１０．２０．８０．１，
０．０５０．０５０．９求马尔可夫链的平稳分布及各状态的平均返回时间．解　因为马尔可夫链是不可约的非周期有限状态，所以平稳分布存在，由（４．４１）式得方程组
７８
π ７ π ０．１ π ０５ π １＝０．１＋２＋０．３， π １ π ０．８ π ０５ π ２＝０．１＋２＋０．３， π ２ π ０．１ π ９ π ３＝０．１＋２＋０．３， π １＋π ２＋π ３＝１．解上述方程组得平稳分布为 π １７６５， π ２３５３， π ５８８２．１＝０．２＝０．３＝０．由定理４．１６，得各状态的平均返回时间分别为１１１ μ ＝５．６７， μ ＝４．２５， μ ＝１．７０．１＝２＝３＝ π π π １２３例４．１７　设马尔可夫链具有状态空间Ｉ＝｛０，１， … ｝，转移概率为ｐｉｉ＋１＝ｐｐｐ（ｉ ≥０），其中ｐｑ，ｐ称这种马尔可夫链ｉ，ｉｉ＝ｒｉ，ｉｉ－１＝ｑｉｉ，ｉ＞０ｉ＋ｒｉ＋ｑｉ＝１．为生灭链，它是不可约的．记ａａ０＝１，ｊ＝ｐ０ｐ１ …ｐｊ－１　（ｊ ≥１），ｑｑ …ｑ１２ｊ
∞
试证此马尔可夫链存在平稳分布的充要条件为证　由（４．４１）式，有 π ０＝π ０ｒ０＋π １ｑ１
∑ ａ＜∞．
ｊｊ＝０
π ｒｊ ≥１．ｊ＝π ｊ－１ｐｊ－１＋π ｊｊ＋π ｊ＋１ｑｊ＋１，ｐ１，ｊ＋ｒｊ＋ｑｊ＝于是有递推关系ｑ１π １－ｐ０π ０＝０，ｑ π π ｊ＋１π ｊ＋１－ｐｊｊ＝ｑｊｊ－ｐｊ－１π ｊ－１，解之得 π ｊ＝所以 π ｊ＝对ｊ求和得

∞ ∞
ｐｊ－１π ｊ－１，ｊ ≥０，ｑｊ
ｐｐｊ－１π ｊ－１０ …ｐｊ－１＝…＝ π π ０＝ａｊ０．ｑｑ …ｑｊ１ｊ
１＝
ｊ＝π ０∑ ａｊ， ∑π ｊ＝０ｊ＝０ ∞
由此可知平稳分布存在的充要条件是
此时 ∑ ａ＜∞，
ｊｊ＝０
７９
π ０＝
１
∞
， π ｊ＝
ｊ
ａｊ
∞
，ｊ ≥１．
ｊ
∑ａ
ｊ＝０
∑ａ
ｊ＝０
例４．１８　设马尔可夫链的状态空间为｛１，２，３，４，５，６｝，其转移矩阵为０．１０．１０．２０．２０．４００００００００１００００．５０．５０００００１００００００００．５００００００００００．００．５
０．５０．５
０．５０．５
ｎ→ ∞
（ｎ）（１）求每一个不可约闭集的平稳分布；（２）计算ｌｉｍｐ１３．
解　（１）从图４．１３看出，状态空间可分解为两个不可约常返闭集Ｃ２，１＝｛３，４｝和Ｃ５，６，７｝，一个非常返集Ｎ＝｛１｝，求平稳分布可在常返闭集上进２＝｛行．在Ｃ对应的转移概率矩阵为１上，
图４．１３　
００．５０．５Ｐ＝０１由（４．４１）式得平稳分布满足 π π ．５ π π ５ π ２＝π ４，３＝０２，４＝０．２＋π ３，解得平稳分布为｛０，２／５，１／５，２／５，０，０，０｝．类似地，在Ｃ０，０，０，０，１／３，１／３，１／３｝．２上可解得平稳分布为｛（２）由Ｃ－Ｋ方程００１０．
８０
７
ｐ１３＝由（１）知
（ｎ）
∑ｐｐ
１ｋｋ＝１
（ｎ－１）ｋ３
＝ｐ１１ｐ１３
（ｎ－１）
＋ｐ１２ｐ２３
（ｎ－１）
＋ｐ１３ｐ３３
（ｎ－１）
＋ｐ１４ｐ４３
（ｎ－１）
ｌｉｍｐ２３
ｎ→ ∞
（ｎ－１）
＝ｌｉｍｐ３３
ｎ→ ∞
（ｎ－１）
＝ｌｉｍｐ４３
ｎ→ ∞
（ｎ－１）
１，５
故１（ｎ）（ｎ－１）ｌｉｍｐｌｉｍｐ＋（ｐ＋ｐ），１３＝ｐ１１１３１３＋ｐ１４ｎ→ ∞ ｎ→ ∞ ５１２ｌｉｍｐ１×ｌｉｍｐ１３＝０．１３
ｎ→ ∞ ｎ→ ∞ （ｎ）（ｎ－１）
１＋（０．１＋０．２＋０．２）．５
注意ｌｉｍｐｉｍｐ１３＝ｌ１３
ｎ→ ∞ ｎ→ ∞
（ｎ）
（ｎ－１）
，所以ｌｉｍｐ１３＝
ｎ→ ∞ （ｎ）
１．９
§ ４．５　嵌入马尔可夫链
在实际中，有些随机模型并不满足马尔可夫性．但仔细分析仍可用马尔可夫链的方法进行研究，这就是所谓的“ 嵌入马尔可夫链 ”方法．本节我们通过对排队论中的两个模型的讨论，对嵌入马尔可夫链方法进行简单的描述．例４．１９（Ｍ／Ｇ／１排队系统）　假设顾客依照参数为 λ的泊松过程来到一个只有一名服务员的服务站，来客若发现服务员空闲就立刻得到服务，否则排队等待直到轮到他．设每位顾客接受服务的时间是相互独立的随机变量，有共同的分布函数Ｇ（ｘ），且与顾客的到达过程独立．我们称这个系统为Ｍ／Ｇ／１排队系统，字母Ｍ代表顾客来到的时间间隔为指数分布，Ｇ（ｘ）表示服务时间的分布，数字１表示只有一名服务员．若以Ｘ（ｔ）表示在时刻ｔ系统中的顾客人数，则｛Ｘ（ｔ），ｔ ≥０｝不具有马尔可夫性．这是因为，若已知在ｔ时刻系统中的顾客人数为Ｘ（ｔ），则对 τ＞０，系统在ｔ＋τ时刻的顾客数Ｘ（ｔ＋τ ），不仅与在时间间隔（ｔ，ｔ＋τ ）中到达的顾客数有关，而且与正在接受服务的顾客已服务了多长时间有关，由于服务时间的分布Ｇ（ｘ）是任意的，不具有无记忆性，故｛Ｘ（ｔ），ｔ ≥ ０｝不具有马氏性．下面，我们只在顾客离去的时刻对系统进行分析．设Ｘｎ表示第ｎ个顾客走后剩下的顾客数，Ｙｎ≥１，当ｎ表示第ｎ＋１个顾客接受服务期间到来的顾客数，Ｘ０时，表示系统在第ｎ个顾客离开后，剩下的Ｘｎ个顾客中有一人进入服ｎ＞务，而其余的Ｘｎ－１人在排队等候．因此，下一个顾客离去时，系统中的顾客数将包含在排队的Ｘ＋１个顾客接受服务期间到来的顾客ｎ－１个顾客以及第ｎ
§ ４．５　嵌入马尔可夫链
８１
数．当Ｘ类似讨论．由此可得ｎ＝０时，Ｘｎ＋１＝Ｘｎ－１＋Ｙｎ，Ｙｎ，若Ｘｎ＞０，若Ｘｎ＝０．（４．４６）
由于（Ｙｎ，ｎ≥ １）是不相重叠的服务时间区间中来到的顾客数，由泊松过程的性质知它们是相互独立，且具有相同分布Ｐ（Ｙｎ＝ｊ）＝

∞
∫
０
（λ ｘ）－λ ｘｅｄＧ（ｘ），ｊ＝０，１，２， …．ｊ！
（４．４７）
从（４．４６）与（４．４７）式知｛Ｘｎ，ｎ≥１｝是马尔可夫链，其转移概率为ｐｏｊ＝ｐｉｊ＝
∫ｅ
０ ∞ ０
－λ ｘ
（ λ ｘ）ｄＧ（ｘ），ｊ！（ λ ｘ）ｄＧ（ｘ），（ｊ－ｉ＋１）！
ｊ－ｉ＋１
ｊ≥０，ｊ≥ ｉ－１，ｉ≥１，其它．（４．４８）
－λ ｘｅ
ｐｉｊ＝０，
显然｛Ｘｎ，ｎ≥１｝的所有状态是互通的，故为不可约的非周期的马氏链．令

∞
ρ＝
ｐ， ∑ｊ
ｏｊｊ＝０
则 ρ表示在一个服务周期内来到系统中的顾客平均数．我们有：当 ρ＜１时，｛Ｘｎ ≥１｝是遍历链．ｎ，事实上，由定理４．１７知｛Ｘｎ，ｎ≥１｝是通历链的充要条件为平稳分布｛ π ｊｊ， ≥ ０｝存在，为此解方程组
∞
π ｐｊ ≥０．ｊ＝ ∑ π ｉｉｊ，
ｉ＝０
（４．４９）
为了方便，记ａ由（４．４８）式知｛Ｘｎ，ｎ≥１｝的转移概率为ｊ＝ｐｏｊ，ｐｏｊ＝ａｊ，ｐｉｊ＝ａｊ－ｉ＋１，ｐｉｊ＝０，则（４．４９）式为

ｉ＋１
ｊ ≥０，ｉ＞０，ｊ ≥ｉ－１，其它，
π ｊ＝π ０ａｊ＋为求解．引进母函数
∞
∑ πａ
ｉ＝１ｊ
ｉｊ－ｉ＋１
，ｊ ≥０．
（４．５０）
π （ｓ）＝
ｊ
ｓ，Ａ（ｓ）＝ｊ ∑π
ｊ＝０
∑ ａｓ，
ｊｊｊ＝０
以ｓ乘（４．５０）式的两边，且对ｊ求和得
８２
∞ ｊ＋１
π （ｓ）＝π （ｓ）＋ ∑ ０Ａ
ｊ＝０－１
∑ πａ
ｉ＝１ ∞ ｉｉ
ｉｊ－ｉ＋１ ∞
ｓ
ｊ－ｉ＋１
＝π （ｓ）＋ｓ０Ａ
∑ πｓ ∑
ｉ＝１
ａｊ－ｉ＋１ｓ
ｊ＝ｉ－１
＝π （ｓ）＋（ π （ｓ）－π ）Ａ（ｓ）／ｓ，０Ａ０（ｓ－１） π （ｓ）０Ａ π （ｓ）＝．ｓ－Ａ（ｓ）令ｓ →１，由于

∞
ｌｉｍＡ（ｓ）＝
ｓ→ １
∑ ａ＝１，
ｉｉ＝０
故ｌｉｍＡ（ｓ）＝π ｌｉｍ０
ｓ→ １
ｓ－１ｓ－Ａ（ｓ）ｓ→１－１＝π １－Ａ ′ （ｓ）），０（
∞
其中最后一个等式由洛必达法则得到．由于Ａ ′ （１）＝于是
∞ ｉ
ａ＝ρ ， ∑ｉ
ｉｉ＝０
∑ π ＝１－ρ．
ｉ＝０
π ０
故平稳分布存在的充要条件是 ρ＜１．在Ｍ／Ｇ／１排队系统中顾客是依参数为 λ的泊松过程来到．即顾客来到系统的时间间隔是服从均值为１／ λ的指数分布，此条件的一个合理推广就是下面的例子．例４．２０（Ｇ／Ｍ／１排队系统）　假设顾客来到只有一个服务员的服务站的时间间隔是独立同分布的随机变量，其分布函数为Ｇ（ｘ），每位顾客接受服务的时间服从均值为１／ μ 的指数分布且与顾客的到达过程独立．我们称此系统为Ｇ／Ｍ／１排队系统．记Ｘｎ表示第ｎ个顾客来到服务站时见到系统中的顾客数．则｛Ｘｎ≥１｝是ｎ，马尔可夫链．由于相继的服务时间是相互独立的均值为１／ μ 的指数分布，故在（０，ｔ］内已服务完的顾客数是参数为 μ的泊松过程．｛Ｘｎ，ｎ≥１｝的一步转移概率为ｐｉ，ｉ＋１－ｊ＝
∞
∫ｅ
０ ∞
－μ ｔ
ｊ（μ ｔ）ｄＧ（ｔ），ｊ！
ｊ＝０，１， …，ｉ，ｉ＞０，其它．
ｐｉｏ＝
∫ ∑ｅ
０ｋ＝ｉ＋１
－μ ｔ
（μ ｔ）ｋｄＧ（ｔ），ｋ！
ｐｉｊ＝０，
习　题　四
８３
显然｛Ｘｎ，ｎ≥ １｝是不可约的非周期的马尔可夫链．可以证明［１１］，若顾客到达时间间隔的均值ｍ＝稳分布 π １－β ） β，ｋ＝０，１，２， … ｋ＝（其中 β是如下方程的解： β ＝

ｋ
ｔｄＧ（ｔ）大于服务时间的均值１／ μ，则存在惟一的平
－∞
∫ｅ
０
－μ ｔ（１－ β ）
ｄＧ（ｔ）．
习　题　四
　　４．１　设质点在区间［０，４］的整数点作随机游动，到达０点或４点后以概率１停留在原处，在其它整数点分别以概率１／３向左、向右移动一格或停留在原处．求质点随机游动的一步和二步转移概率矩阵．４．２　独立地重复抛掷一枚硬币，每次抛掷出现正面的概率为ｐ．对于ｎ≥２，令Ｘｎ＝０，１，２或３，这些值分别对应于第ｎ－１次和第ｎ次抛掷的结果为（正，正），（正，反），（反，正）或（反，反）．求马尔可夫链｛Ｘｎ＝０，１，２， …｝的一步和二步转移概率矩阵．ｎ，４．３　设｛Ｘｎ≥０｝为马尔可夫链，试证ｎ，（１）Ｐ｛ＸＸ …，ＸＸ …，Ｘｎ＋１＝ｉｎ＋１，ｎ＋２＝ｉｎ＋２，ｎ＋ｍ＝ｉｎ＋ｍ｜Ｘ０＝ｉ０，１＝ｉ１，ｎ＝ｉｎ｝＝Ｐ｛ＸＸ …，ＸＸ｝；ｎ＋１＝ｉｎ＋１，ｎ＋２＝ｉｎ＋２，ｎ＋ｍ＝ｉｎ＋ｍ｜ｎ＝ｉｎ（２）Ｐ｛Ｘ …，ＸＸ …，Ｘ｛Ｘ０＝ｉ０，ｎ＝ｉｎ，ｎ＋２＝ｉｎ＋２，ｎ＋ｍ＝ｉｎ＋ｍ｜Ｘｎ＋１＝ｉｎ＋１｝＝Ｐ０＝ｉ …，Ｘｎ＝ｉ｜Ｘｎ＋１＝ｉ｝Ｐ｛Ｘ …，ＸＸｎ＋１＝ｉ｝．０，ｎｎ＋１ｎ＋２＝ｉｎ＋２，ｎ＋ｍ＝ｉｎ＋ｍ｜ｎ＋１４．４　设｛Ｘｎ≥１｝为有限齐次马尔可夫链，其初始分布和转移概率矩阵为ｎ，ｐ｛Ｘｉ｝＝１／４，ｉ＝１，２，３，４，ｉ＝Ｐ０＝１／４１／４１／４１／４Ｐ＝１／４１／４１／４１／４１／４１／８１／４３／８１／４１／４１／４１／４试证Ｐ｛Ｘ４｜Ｘ１＜Ｘ｝≠ Ｐ｛Ｘ｜１＜Ｘ｝．２＝０＝１，１＜４２＝４１＜４４．５　设｛Ｘ（ｔ），ｔ ∈Ｔ｝为随机过程，且Ｘ（ｔ），Ｘ（ｔ）， …，Ｘ（ｔ）， … １＝Ｘ１２＝Ｘ２ｎ＝Ｘｎ为独立同分布随机变量序列，令ＹＹ（ｔ）＝ＸＹＹｎ≥２，０＝０，１＝Ｙ１１，ｎ＋ｃｎ－１＝Ｘｎ，试证｛Ｙｎ≥０｝是马尔可夫链．ｎ，４．６　已知随机游动的转移概率矩阵为０．５０．５Ｐ＝００．５０００．５０．５０．５，，
８４
（３）求三步转移概率矩阵Ｐ及当初始分布为
Ｐ｛Ｘ０＝１｝＝Ｐ｛Ｘ｝＝０，Ｐ｛Ｘ｝＝１０＝２０＝３时，经三步转移后处于状态３的概率．４．７　已知本月销售状态的初始分布和转移概率矩阵如下：０．８０．１０．１（１）Ｐ（０）＝（０．４，０．２，０．４），Ｐ＝０．１０．７０．２；０．２０．２０．６（２）Ｐ（０）＝（０．２，０．２，０．３，０．３），０．７０．１０．１０．１Ｐ＝０．１０．６０．２０．１０．１０．１０．６０．２０．１０．１０．２０．６求下一、二个月的销售状态分布．４．８　某商品六年共２４个季度销售记录如下表（状态１— — — 畅销，状态２— — —滞销）：季　　节销售状态季　　节销售状态１１１３１２１１４１３２１５２４１１６２５２１７１６２１８１７１１９２８１２０１９１２１２１０２２２１１１１２３１１２２２４１，
ＴＴ
以频率估计概率．求（１）销售状态的初始分布；（２）三步转移概率矩阵及三步转移后的销售状态分布．４．９　设老鼠在如图４．１４的迷宫中作随机游动．当它处在某个方格中有ｋ条通道时，以概率１／ｋ随机通过任一通道．求老鼠作随机游动的状态空间、转移概率矩阵及状态空间可分解成几个闭集．
图４．１４　４．１０　讨论下列转移概率矩阵的马尔可夫链的状态分类：
习　题　四０．２０．３０．５０．７０．３（１）Ｐ＝００００（２）Ｐ＝１１００００００００１００ … ０ｐ … … … ０００１０００；００００；
８５
０．４０．６
０．３０．７１０ … ０００ｑ … … … … ｐｒ … … …
０．６０．２０．２０ … … ０ … ０ … … … … 　 … … … … 　００００ … ｐ１，ｑｒ（３）Ｐ＝
ｑｒ
其中ｑ＋ｒ＋ｐ＝１，Ｉ＝｛０，１， …，ｂ｝．４．１１　设马尔可夫链的转移概率矩阵为：（１）１／２１／２１／３２／３ｐ１（２）０ｑ３ｑ１ｐ２０；０ｑ，２ｐ３
（ｎ）（ｎ）计算ｆｆｎ＝１，２，３．１１，１２，
４．１２　设马尔可夫链的状态空间Ｉ＝｛１，２， …，７｝，转移概率矩阵为０．４０．２０．１０Ｐ＝０００００００００００．１０．１０．１００．６０００００００００．１０．３０．２０．２０．１０．１０．１０．６０．４０．４０００００
０．２０．５０．３
０．３０．７０．８０．２
求状态的分类及各常返闭集的平稳分布．４．１３　设马尔可夫链的转移概率矩阵为０Ｐ＝ｑ１０ … 求它的平稳分布．１０ｑ２ … ０ｐ１０ … … ０ｐ２ … … … ０ … … … … ，
８６
４．１４　艾伦菲斯特（Ｅｒｅｎｆｅｓｔ）链．设甲乙两个容器共有２Ｎ个球，每隔单位时间从这２Ｎ个球中任取一球放入另一容器中，记Ｘ则｛Ｘｎ≥０｝是齐次ｎ为在时刻ｎ甲容器中球的个数，ｎ，马尔可夫链，称为艾伦菲斯特链．求该链的平稳分布．４．１５　将２个红球４个白球任意地分别放入甲、乙两个盒子中，每个盒子放３个，现从每个盒子中各任取一球，交换后放回盒中（甲盒内取出的球放入乙盒中，乙盒内取出的球放入甲盒中），以Ｘ（ｎ）表示经过ｎ次交换后甲盒中红球数，则｛Ｘ（ｎ），ｎ≥０｝为一齐次马尔可夫链，试求（１）一步转移概率矩阵；（２）证明｛Ｘ（ｎ），ｎ≥ ０｝是遍历链；
（ｎ）（３）求ｌｉｍｐｊ＝０，１，２．ｉｊ，ｎ→ ∞
４．１６　设｛Ｘ（ｎ），ｎ≥ １｝为非周期不可约马尔可夫链，状态空间为Ｉ，若对一切ｊ ∈Ｉ，其一步转移概率矩阵满足条件：∑ ｐ试证：ｉｊ＝１，

ｉ ∈Ｉ
（１）对一切ｊ，∑ ｐ
ｉ∈ Ｉ
（ｎ）ｉｊ
＝１；
（２）若状态空间Ｉ＝｛１，２， …，ｍ｝，计算各状态的平均返回时间．４．１７　设河流每天的ＢＯＤ（生物耗氧量）浓度为齐次马尔可夫链，状态空间Ｉ＝｛１，２，３，４｝是按ＢＯＤ浓度为极低，低、中、高分别表示的，其一步转移概率矩阵（以一天为单位）为０．５０．４０．１Ｐ＝０．０．２０．５０．２０．１０．１０．２０．６０．１０（１）证明该链是遍历链；（２）求该链的平稳分布；（３）河流再次达到污染的平均时间 μ ４．４．１８　设齐次马尔可夫链的状态空间为｛１，２，３，４，５，６｝，其转移矩阵为０．１０．２０．２００．５０００００
（ｎ）（２）计算ｌｉｍｐ１４；ｎ→ ∞ ｎ→ ∞ （ｎ）（３）计算ｌｉｍｐ２５．
０．２０．４０．４
若ＢＯＤ浓度为高，则称河流处于污染状态．
００００．
００００
０１００
１０
０００
０．５０．５０
００．５０．５００．５０．５
（１）求每一个不可约闭集的平稳分布；
第五章　连续时间的马尔可夫链
第四章我们讨论了时间和状态都是离散的最简单的马尔可夫过程，本章将介绍另一类应用广泛的特殊类型的马尔可夫链，即时间连续状态离散的马尔可夫过程．
§ ５．１　连续时间的马尔可夫链
考虑取非负整数值的连续时间随机过程｛Ｘ（ｔ），ｔ ≥０｝．定义５．１　设随机过程｛Ｘ（ｔ），ｔ ≥０｝，状态空间Ｉ＝｛ｉｎ≥０｝，若对任意ｎ，０ ≤ｔｉ …，ｉ，有１＜ｔ２＜…＜ｔｎ＋１及ｉ１，２，ｎ＋１ ∈Ｉ　Ｐ｛Ｘ（ｔ）＝ｉ｜Ｘ（ｔＸ（ｔ）＝ｉ …，Ｘ（ｔ）＝ｉ｝ｎ＋１ｎ＋１１）＝ｉ１，２２，ｎｎ＝Ｐ｛Ｘ（ｔ）＝ｉ｜Ｘ（ｔ）＝ｉ｝，ｎ＋１ｎ＋１ｎｎ则称｛Ｘ（ｔ），ｔ ≥０｝为连续时间马尔可夫链．由定义知，连续时间马尔可夫链是具有马尔可夫性的随机过程，即过程在已知现在时刻ｔ将来时刻ｔｎ及一切过去时刻所处状态的条件下，ｎ＋１的状态只依赖于现在的状态而与过去无关．记（５．１）式条件概率的一般形式为Ｐ｛Ｘ（ｓ＋ｔ）＝ｊ｜Ｘ（ｓ）＝ｉ｝＝ｐ（ｓ，ｔ），ｉｊ（５．２）它表示系统在ｓ时刻处于状态ｉ，经过时间ｔ后转移到状态ｊ的转移概率．定义５．２　若（５．２）式的转移概率与ｓ无关，则称连续时间马尔可夫链具有平稳的或齐次的转移概率，此时转移概率简记为ｐ（ｓ，ｔ）＝ｐ（ｔ），ｉｊｉｊ其转移概率矩阵简记为Ｐ（ｔ）＝（ｐ（ｔ））　（ｉ，ｊ ∈Ｉ，ｔ ≥ ０）．ｉｊ以下的讨论均假定我们所考虑的连续时间马尔可夫链都具有齐次转移概率．为方便起见，有时简称为齐次马尔可夫过程．假设在某时刻，比如说时刻０，马尔可夫链进入状态ｉ，而且在接下来的ｓ个单位时间中过程未离开状态ｉ（即未发生转移），问在随后的ｔ个单位时间中过程（５．１）
８８
仍不离开状态ｉ的概率是多少呢？由马尔可夫性我们知道，过程在时刻ｓ处于状态ｉ条件下，在区间［ｓ，ｓ＋ｔ］中仍然处于状态ｉ的概率正是它处于状态ｉ至少ｔ个单位时间的（无条件）概率．若记 τ ｉ为过程在转移到另一状态之前停留在状态ｉ的时间，则对一切ｓ，ｔ ≥０有Ｐ｛ τ ＋ｔ｜ τ ｝＝Ｐ｛ τ ｝，ｉ＞ｓｉ＞ｓｉ＞ｔ可见，随机变量 τ 因此 τ ｉ具有无记忆性，ｉ服从指数分布．由此可见，一个连续时间马尔可夫链，每当它进入状态ｉ，具有如下性质：（１）在转移到另一状态之前处于状态ｉ的时间服从参数为ｖｉ的指数分布；（２）当过程离开状态ｉ时，接着以概率ｐ，∑ｐ．ｉｊ进入状态ｊｉｊ＝１
ｊ≠ ｉ
上述性质也是我们构造连续时间马尔可夫链的一个方法．当ｖ称状态ｉ为瞬时状态，因为过程一旦进入此状态立即就离开．ｉ＝∞时，若ｖ称状态ｉ为吸收状态，因为过程一旦进入此状态就永远不再离开了．ｉ＝０，尽管瞬时状态在理论上是可能的，但我们以后仍假设对一切ｉ，０≤ｖ因ｉ＜∞．此，实际上一个连续时间马尔可夫链是一个这样的随机过程，它按照一个离散时间的马尔可夫链从一个状态转移到另一个状态，但在转移到下一状态之前，它在各个状态停留的时间服从指数分布．此外在状态ｉ过程停留的时间与下一个到达的状态必须是相互独立的随机变量．因为若下一个到达的状态依赖于 τ 那ｉ，么过程处于状态ｉ已有多久的信息与下一个状态的预报有关，这就与马尔可夫性的假定相矛盾．定理５．１　齐次马尔可夫过程的转移概率具有下列性质：（１）ｐ（ｔ）≥０；ｉｊ（２） ∑ｐ（ｔ）＝１；ｉｊ
ｊ∈ Ｉ
（３）ｐ（ｔ＋ｓ）＝ｉｊ
）ｐ（ｓ）． ∑ｐ（ｔ
ｉｋｋｊｋ∈ Ｉ
其中（３）式即为连续时间齐次马尔可夫链的切普曼－科尔莫戈罗夫方程．证　（１），（２）由概率定义及ｐ（ｔ）的定义易知，下面只证（３）．由全概率公式ｉｊ及马尔可夫性可得　ｐ（ｔ＋ｓ）＝Ｐ｛Ｘ（ｔ＋ｓ）＝ｊ｜Ｘ（０）＝ｉ｝ｉｊ＝＝＝＝｛Ｘ（ｔ＋ｓ）＝ｊ，Ｘ（ｔ）＝ｋ｜Ｘ（０）＝ｉ｝ ∑Ｐ
ｋ∈ Ｉ
｛Ｘ（ｔ）＝ｋ｜Ｘ（０）＝ｉ｝Ｐ｛Ｘ（ｔ＋ｓ）＝ｊ｜Ｘ（ｔ）＝ｋ｝ ∑Ｐ

ｋ∈ Ｉ
｛Ｘ（ｔ）＝ｋ｜Ｘ（０）＝ｉ｝Ｐ｛Ｘ（ｓ）＝ｊ｜Ｘ（０）＝ｋ｝ ∑Ｐ

ｋ∈ Ｉ
）ｐ（ｓ）． ∑ｐ（ｔ
证毕．
§ ５．１　连续时间的马尔可夫链
８９
对于转移概率ｐ（ｔ），一般还假定它满足：ｉｊｌｉｍｐ（ｔ）＝ｉｊ
ｔ→０
１，ｉ＝ｊ，０，ｉ ≠ｊ．
（５．３）
称（５．３）式为正则性条件．正则性条件说明，过程刚进入某状态不可能立即又跳跃到另一状态．这正好说明一个物理系统要在有限时间内发生无限多次跳跃，从而消耗无穷多的能量这是不可能的．定义５．３　对于任一ｔ ≥０，记ｐ（ｔ）＝Ｐ｛Ｘ（ｔ）＝ｊ｝，ｊｐ（０）＝Ｐ｛Ｘ（０）＝ｊ｝，ｊ ∈Ｉ，ｊ＝ｐｊ分别称｛ｐ（ｔ），ｊ ∈Ｉ｝和｛ｐｊ ∈Ｉ｝为齐次马尔可夫过程的绝对概率分布和初始ｊｊ，概率分布．定理５．２　齐次马尔可夫过程的绝对概率及有限维概率分布具有下列性质：（１）ｐ（ｔ）≥０；ｊ（２） ∑ｐ（ｔ）＝１；ｊ
ｊ∈ Ｉ
（３）ｐ（ｔ）＝ｊ
）； ∑ｐｐ（ｔ
ｉｉｊｉ∈ Ｉ
（４）ｐ（ｔ＋τ ）＝ｊ
ｔ）ｐ（ τ ）； ∑ｐ（
ｉｉｊｉ∈ Ｉ
（５）Ｐ｛Ｘ（ｔ …，Ｘ（ｔ）＝ｉ｝１）＝ｉ１，ｎｎ＝证明略．例５．１　试证明泊松过程｛Ｘ（ｔ），ｔ ≥０｝为连续时间齐次马尔可夫链．证　先证泊松过程具有马尔可夫性，再证齐次性．由泊松过程的定义知它是独立增量过程，且Ｘ（０）＝０．对任意０＜ｔ有１＜ｔ２＜…＜ｔｎ＜ｔｎ＋１，　Ｐ｛Ｘ（ｔ）＝ｉ｜Ｘ（ｔ＝ｉ …，Ｘ（ｔ）＝ｉ｝ｎ＋１ｎ＋１１）１，ｎｎ＝Ｐ｛Ｘ（ｔ）－Ｘ（ｔ）＝ｉ｜Ｘ（ｔ）－Ｘ（０）＝ｉｎ＋１ｎｎ＋１－ｉｎ１１，　Ｘ（ｔ）－Ｘ（ｔ＝ｉ …，Ｘ（ｔ）－Ｘ（ｔ）＝ｉ｝２１）２－ｉ１，ｎｎ－１ｎ－ｉｎ－１＝Ｐ｛Ｘ（ｔ）－Ｘ（ｔ）＝ｉ｝．ｎ＋１ｎｎ＋１－ｉｎ另一方面，因为　Ｐ｛Ｘ（ｔ）＝ｉ｜Ｘ（ｔ＝ｉｎ＋１ｎ＋１ｎ）ｎ｝＝Ｐ｛Ｘ（ｔ）－Ｘ（ｔ）＝ｉ｜Ｘ（ｔ）－Ｘ（０）＝ｉ｝ｎ＋１ｎｎ＋１－ｉｎｎｎ＝Ｐ｛Ｘ（ｔ）－Ｘ（ｔ）＝ｉ｝，ｎ＋１ｎｎ＋１－ｉｎ所以ｔ）ｐ ∑ｐｐ（
ｉ∈ Ｉｉｉｉ１１ｉｉ１２
（ｔ２－ｔ１）… ｐｉ
ｉｎ－１ｎ
（ｔ）．ｎ－ｔｎ－１
９０
　Ｐ｛Ｘ（ｔ）＝ｉＸ（ｔ）＝ｉ …，Ｘ（ｔ）＝ｉ｝ｎ＋１ｎ＋１｜１１，ｎｎ＝Ｐ｛Ｘ（ｔ）＝ｉＸ（ｔ）＝ｉ｝，ｎ＋１ｎ＋１｜ｎｎ即泊松过程是一个连续时间马尔可夫链．下面再证齐次性．当ｊ ≥ｉ时，由泊松过程的定义，得Ｐ｛Ｘ（ｓ＋ｔ）＝ｊ｜Ｘ（ｓ）＝ｉ｝＝Ｐ｛Ｘ（ｓ＋ｔ）－Ｘ（ｓ）＝ｊ－ｉ｝ λ ｔ）－λ ｔ（＝ｅ．（ｊ－１）！当ｊ＜ｉ时，由于过程的增量只取非负整数值，故ｐ（ｓ，ｔ）＝０，所以ｉｊｐ（ｓ，ｔ）＝ｐ（ｔ）＝ｉｊｉｊｅ
－λ ｔｊ－ｉ（ λ ｔ），（ｊ－ｉ）！ｊ－ｉ
ｊ ≥ｉ，ｊ＜ｉ，
０，即转移概率只与ｔ有关，泊松过程具有齐次性．
§ ５．２　科尔莫戈罗夫微分方程
对于离散时间齐次马尔可夫链，如果已知其一步转移概率矩阵Ｐ＝（ｐ），ｉｊ则ｋ步转移概率矩阵由一步转移概率矩阵的ｋ次方即可求得．但是，对于连续时间齐次马尔链，转移概率ｐ（ｔ）的求解一般较为复杂．下面我们首先讨论ｐ（ｔ）ｉｊｉｊ的可微性及ｐ（ｔ）所满足的科尔莫戈罗夫微分方程．ｉｊ引理５．１　设齐次马尔可夫过程满足正则性条件（５．３），则对于任意固定的ｉ，ｊ ∈Ｉ，ｐ（ｔ）是ｔ的一致连续函数．ｉｊ证　设ｈ＞０，由定理５．１得　ｐ（ｔ＋ｈ）－ｐ（ｔ）＝ ∑ ｐ（ｈ）ｐ（ｔ）－ｐ（ｔ）ｉｊｉｊｉｒｒｊｉｊ
ｒ∈ Ｉ
＝ｐ（ｈ）ｐ（ｔ）－ｐ（ｔ）＋ｉｉｉｊｉｊ＝－［１－ｐ（ｈ）］ｐ（ｔ）＋ｉｉｉｊ故有
）ｐ（ｔ） ∑ｐ（ｈ
ｉｒｒｊｒ≠ ｉ
ｈ）ｐ（ｔ）， ∑ｐ（
ｐ（ｔ＋ｈ）－ｐ（ｔ）≥－［１－ｐ（ｈ）］ｐ（ｔ）≥－［１－ｐ（ｈ）］，ｉｊｉｊｉｉｉｊｉｉｐ（ｔ＋ｈ）－ｐ（ｔ）≤ ∑ ｐ（ｈ）ｐ（ｔ）ｉｊｉｊｉｒｒｊ

ｒ≠ ｉ
≤ ∑ｐ（ｈ）＝１－ｐ（ｈ），ｉｒｉｉ
ｒ≠ ｉ
因此｜ｐ（ｔ＋ｈ）－ｐ（ｔ）｜≤１－ｐ（ｈ）．ｉｊｉｊｉｉ对于ｈ＜０，同样有
９１
ｐ（ｔ）－ｐ（ｔ＋ｈ）＝ｉｊｉｊ
）ｐ（ｔ＋ｈ）－ｐ（ｔ＋ｈ） ∑ ｐ（－ｈ
ｉｒｒｊｉｊｒ∈ Ｉ
＝ｐ（－ｈ）ｐ（ｔ＋ｈ）－ｐ（ｔ＋ｈ）ｉｉｉｊｉｊ　＋ ∑ ｐ（－ｈ）ｐ（ｔ＋ｈ）ｉｒｒｊ
ｒ≠ ｉ
＝－［１－ｐ（－ｈ）］ｐ（ｔ＋ｈ）ｉｉｉｊ　＋ ∑ ｐ（－ｈ）ｐ（ｔ＋ｈ），ｉｒｒｊ

ｒ≠ ｉ
故有ｐ（ｔ）－ｐ（ｔ＋ｈ）≥－［１－ｐ（－ｈ）］ｐ（ｔ＋ｈ）ｉｊｉｊｉｉｉｊ ≥－［１－ｐ（－ｈ）］，ｉｉｐ（ｔ）－ｐ（ｔ＋ｈ）≤ ｉｊｉｊ ≤ 因此｜ｐ（ｔ）－ｐ（ｔ＋ｈ）｜≤１－ｐ（－ｈ）．ｉｊｉｊｉｉ综上所述，一般地有｜ｐ（ｔ＋ｈ）－ｐ（ｔ）｜＜１－ｐ（｜ｈ｜）．ｉｊｉｊｉｉ由正则性条件知ｌｉｍ｜ｐ（ｔ＋ｈ）－ｐ（ｔ）｜＝０，ｉｊｉｊ
ｈ→ ０
）ｐ（ｔ＋ｈ） ∑ ｐ（－ｈ
）＝１－ｐ（－ｈ）， ∑ｐ（－ｈ

ｉｒｉｉｒ≠ ｉ
即ｐ（ｔ）关于ｔ是一致连续的，证毕．ｉｊ以下我们恒假设齐次马尔可夫过程满足正则性条件（５．３）式．定理５．３　设ｐ（ｔ）是齐次马尔可夫过程的转移概率，则下列极限存在：ｉｊ（１）ｌｉｍ

Δｔ →０
１－ｐ（ Δ ｔ）ｉｉ＝ｖｉ＝ｑｉｉ ≤∞； Δ ｔｐ（ Δ ｔ）ｉｊ＝ｑｉ ≠ｊ．ｉｊ＜∞， Δ ｔ
（２）ｌｉｍ
Δｔ →０［２］
证明
略．
我们称ｑｉｊ为齐次马尔可夫过程从状态ｉ到状态ｊ的转移速率或跳跃强度．定理中的极限的概率意义为：在长为 Δ ｔ的时间区间内，过程从状态ｉ转移到另一其它状态的转移概率１－ｐ（ Δ ｔ），等于ｑｔ加上一个比 Δ ｔ高阶的无穷小ｉｉｉｉΔ 量；而从状态ｉ转移到状态ｊ的概率ｐ（ Δ ｔ），等于ｑｔ加上一个比 Δ ｔ高阶的ｉｊｉｊΔ 无穷小量．推论　对有限齐次马尔可夫过程，有ｑｉｉ＝
∑ ｑ＜∞．
ｉｊｊ≠ｉ
９２
证　由定理５．１，有 Δ ｔ）＝１，即１－ｐ（ Δ ｔ）＝ ∑ ｐ（ Δ ｔ）． ∑ ｐ（

ｉｊｉｉｉｊｊ∈ Ｉｊ≠ ｉ
由于求和是在有限集中进行，故有ｌｉｍ
Δｔ→０
１－ｐ（ Δ ｔ）ｐ（ Δ ｔ）ｉｉｉｊ＝ｌｉｍ∑ ＝ Δ ｔ Δ ｔ Δ ｔ→ ０ｊ≠ ｉｑｉｉ＝
∑ｑ，
ｉｊｊ≠ ｉ
∑ｑ，
ｉｊｊ≠ ｉ
（５．４）
证毕．对于状态空间无限的齐次马尔可夫过程，一般只有ｑｉｉ≥
∑ｑ．
ｉｊｊ≠ ｉ
若连续时间齐次马尔可夫链是具有有限状态空间Ｉ＝｛０，１， …，ｎ｝，则其转移速率可构成以下形式的矩阵：－ｑ００Ｑ＝ｑ１０ … ｑｎ０ｑｉｊ ≥０．利用Ｑ矩阵可以推出任意时间间隔ｔ的转移概率所满足的方程组，从而可以求解转移概率．由切普曼－科尔莫戈罗夫方程有ｐ（ｔ＋ｈ）＝ｉｊ或等价地ｐ（ｔ＋ｈ）－ｐ（ｔ）＝ｉｊｉｊ）ｐ（ｔ）－［１－ｐ（ｈ）］ｐ（ｔ）． ∑ ｐ（ｈ
ｉｋｋｊｉｉｉｊｋ≠ ｉ
ｑ０１－ｑ１１ … ｑｎ１
… … …
ｑ０ｎｑ１ｎ … －ｑｎｎ．（５．５）
由（５．４）式知，Ｑ矩阵的每一行元素之和为０，对角线元素为负或０，其余ｉ ≠ｊ时
）ｐ（ｔ）， ∑ ｐ（ｈ
两边除以ｈ后令ｈ→０取极限，应用定理５．３，得ｌｉｍ

ｈ →０
ｐ（ｔ＋ｈ）－ｐ（ｔ）ｐ（ｈ）ｉｊｉｊｉｋ＝ｌｉｍ∑ ｐ（ｔ）－ｑｐ（ｔ）．ｋｊｉｉｉｊｈｈｈ→０ｋ≠ ｉ
（５．６）
假定在（５．６）式的右边可交换极限与求和，再运用定理５．３，于是得到下面结论．定理５．４（科尔莫戈罗夫向后方程）　假设０，有ｐ ′ （ｔ）＝ｉｊｔ）－ｑｐ（ｔ）． ∑ ｑｐ（

ｉｋｋｊｉｉｉｊｋ≠ ｉ
则对一切ｉ，ｊ及ｔ ≥ ∑ｑ＝ｑ，
ｉｋｉｉｋ≠ ｉ
（５．７）
９３
证　我们只须证明（５．６）式右边极限与求和可交换次序．现在，对于任意固定的Ｎ，有ｌｉｍｉｎｆ∑

ｈ →０
ｐ（ｈ）ｐ（ｈ）ｉｋｉｋｐ（ｔ）≥ ｌｉｍｉｎｆ∑ ｐ（ｔ）＝ｋｊｋｊｈ→ ０ｈｈｋ≠ ｉｋ≠ｉ
ｋ＜Ｎ
ｋ≠ ｉｋ＜Ｎ
ｔ）， ∑ ｑｐ（
ｉｋｋｊ
因为上式对一切Ｎ成立，可见ｌｉｍｉｎｆ∑
ｈ→０
ｐ（ｈ）ｉｋｐ（ｔ）≥ ｈｋｊｋ≠ ｉ
ｔ）． ∑ ｑｐ（
ｉｋｋｊｋ≠ ｉ
（５．８）
为了倒转不等式，注意对于Ｎ＞ｉ，由于ｐ（ｔ） ≤１，所以ｋｊ　　ｌｉｍｓｕｐ∑

ｈ →０
ｐ（ｈ）ｉｋｐ（ｔ）ｋｊｈｋ≠ ｉ
≤ ｌｉｍｓｕｐ
ｈ →０
∑
ｋ＜Ｎ
ｐ（ｈ）ｐ（ｈ）ｉｋｉｋｐ（ｔ）＋ ∑ ｋｊｈｈｋ≠ ｉｋ≥ Ｎｐ（ｈ）１－ｐ（ｈ）ｐ（ｈ）ｉｋｉｉｉｋｐ（ｔ）＋－∑ ｋｊｈｈｈｋ≠ ｉｋ≠ ｉ
ｋ＜Ｎｉｉｉｋ
≤ ｌｉｍｓｕｐ
ｈ →０
∑
ｋ＜Ｎｋｊ
ｋ≠ ｉｋ＜Ｎ
ｔ）＋ｑ－ ∑ ｑ， ∑ ｑｐ（
ｉｋｋ≠ ｉｋ＜Ｎ
其中最后的等式由定理５．３而得．因上述不等式对一切Ｎ＞ｉ成立，令Ｎ→∞且由我们得到 ∑ｑ＝ｑ，

ｉｋｉｉｋ≠ ｉ
ｌｉｍｓｕｐ∑
ｈ →０
ｐ（ｈ）ｉｋｐ（ｔ）≤ ｋｊｈｋ≠ ｉ
）． ∑ ｑｐ（ｔ
上式连同（５．８）式可得ｌｉｍ∑
ｈ→０
ｐ（ｈ）ｉｋｐ（ｔ）＝ｈｋｊｋ≠ ｉ
ｔ）， ∑ ｑｐ（
证毕．定理５．４中ｐ（ｔ）满足的微分方程组以科尔莫戈罗夫向后方程著称．称它ｉｊ们为向后方程，是因为在计算时刻ｔ＋ｈ的状态的概率分布时我们对退后到时刻ｈ的状态取条件，即我们从ｐ（ｔ＋ｈ）＝ ∑Ｐ｛Ｘ（ｔ＋ｈ）＝ｊ｜Ｘ（０）＝ｉ，Ｘ（ｈ）＝ｋ｝・Ｐ｛Ｘ（ｈ）＝ｋ｜Ｘ（０）＝ｉ｝ｉｊ
ｋ∈ Ｉ
＝ ∑ｐ（ｔ）ｐ（ｈ）ｋｊｉｋ
ｋ∈ Ｉ
开始计算．对时刻ｔ的状态取条件，我们可以导出另一组方程，称为科尔莫戈罗夫向前方程，可得ｐ（ｔ＋ｈ）＝ｉｊｔ）ｐ（ｈ）， ∑ ｐ（

９４
或ｐ（ｔ＋ｈ）－ｐ（ｔ）＝ｉｊｉｊ＝所以ｌｉｍ
ｈ→０
ｔ）ｐ（ｈ）－ｐ（ｔ） ∑ｐ（
ｉｋｋｊｉｊｋ∈ Ｉ
ｔ）ｐ（ｈ）－［１－ｐ（ｈ）］ｐ（ｔ）， ∑ｐ（
ｉｋｋｊｊｊｉｊｋ≠ ｊ
ｐ（ｔ＋ｈ）－ｐ（ｔ）ｉｊｉｊ＝ｌｉｍｈｈ→ ０
ｔ） ∑ｐ（
ｉｋｋ≠ ｊ
ｐ（ｈ）１－ｐ（ｈ）ｋｊｊｊ－ｐ（ｔ）．ｉｊｈｈ
假定我们能交换极限与求和，则由定理５．３便得到ｐ ′ ｔ）＝ｉｊ（ｔ）ｑ－ｑｐ（ｔ）， ∑ ｐ（

ｉｋｋｊｊｊｉｊｋ≠ ｉ
令人遗憾的是上述极限与求和的交换不是恒成立，所以上式并非总是成立．然而，在大多数模型中— — —包括全部生灭过程与全部有限状态的模型，它们是成立的．定理５．５（科尔莫戈罗夫向前方程）　在适当的正则条件下ｐ ′ （ｔ）＝ ∑ ｐ（ｔ）ｑ（ｔ）ｑｉｊｉｋｋｊ－ｐｉｊｊｊ．

ｋ≠ｉ
（５．９）
利用方程组（５．７）或（５．９）及初始条件ｐ（０）＝１，ｉｉｐ（０）＝０，ｉ ≠ｊｉｊ我们可以解得ｐ（ｔ）．科尔莫戈罗夫向后和向前方程虽然形式不同，但可以证明ｉｊ它们所求得解ｐ（ｔ）是相同的．在实际应用中，当固定最后所处状态ｊ，研究ｉｊｐ（ｔ）时（ｉ＝０，１， …），采用向后方程（５．７）较方便；当固定状态ｉ，研究ｐ（ｔ）时ｉｊｉｊ（ｊ＝０，１， …），则采用向前方程较方便．向后方程和向前方程可以写成矩阵形式Ｐ ′ （ｔ）＝ＱＰ（ｔ），Ｐ ′ （ｔ）＝Ｐ（ｔ）Ｑ，其中Ｑ矩阵为－ｑ００Ｑ＝ｑ１０ｑ２０ … ｑ０１－ｑ１１ｑ２１ … ｑ０２ｑ１２－ｑ２２ … … … … ，（５．１０）（５．１１）
矩阵Ｐ ′ （ｔ）的元素为矩阵Ｐ（ｔ）的元素的导数，而ｐｔ）ｐ（ｔ）ｐ（ｔ） … ００（０１０２Ｐ（ｔ）＝ｐｔ）ｐ（ｔ）ｐ（ｔ） … １０（１１１２ｐｔ）ｐ（ｔ）ｐ（ｔ） … ２０（２１２２ … … … ．
９５
这样，连续时间马尔可夫链的转移概率的求解问题就是矩阵微分方程的求解问题，其转移概率由其转移速率矩阵Ｑ决定．特别，若Ｑ是一个有限维矩阵，则（５．１０）和（５．１１）的解为Ｐ（ｔ）＝ｅ＝
Ｑｔ
（Ｑｔ）． ∑ ｊ！ｊ＝０
定理５．６　齐次马尔可夫过程在ｔ时刻处于状态ｊ ∈Ｉ的绝对概率ｐ（ｔ）满ｊ足下列方程：ｐ ′ （ｔ）＝－ｐ（ｔ）ｑｊｊｊｊ＋证　由定理５．２，有ｐ（ｔ）＝ ∑ ｐｐ（ｔ）．ｊｉｉｊ

ｉ∈ Ｉ
ｔ）ｑ． ∑ ｐ（
ｋｋｊｋ≠ ｊ
（５．１２）
将向前方程（５．９）式两边乘以ｐ并对ｉ求和得ｉ， ′（ｔ）＝ ∑ （－ｐｐ（ｔ）ｑ）＋ ∑ ∑ ｐｐ（ｔ）ｑ， ∑ ｐｐ

ｉｉｊｉｉｊｊｊｉｉｋｋｊｉ∈ Ｉｉ∈ Ｉｉ∈ Ｉｉ ≠ ｊ
故ｐ ′ （ｔ）＝－ｐ（ｔ）ｑｑｊｊｊｊ＋ ∑ ｐｋｋｊ，
ｋ≠ ｊ
证毕．与离散马尔可夫链类似，我们讨论转移概率ｐ（ｔ）当ｔ →∞ 时的极限分布ｉｊ与平稳分布的有关性质．定义５．４　设ｐ（ｔ）为连续时间马尔可夫链的转移概率，若存在时刻ｔｉｊ１和ｔ使得２，ｐ（ｔ＞０，ｐ（ｔｉｊ１）ｊｉ２）＞０，则称状态ｉ与ｊ是互通的．若所有状态都是互通的，则称此马尔可夫链为不可约的．关于状态的常返性和非常返性等概念与离散马尔可夫链类似，在此不一一重述．下面我们不加证明地给出转移概率ｐ（ｔ）在ｔ → ∞时的性质及其与平稳分ｉｊ布的关系．定理５．７　设连续时间的马尔可夫链是不可约的，则有下列性质：（１）若它是正常返的，则极限ｌｉｍｐ（ｔ）存在且等于 π ｊ ∈Ｉ．这里π ｉｊｊ＞０，ｊ是
ｔ→ ∞
方程组 π ｑｊｊｊ＝
∑πｑ，
ｋｋｊｋ≠ ｊ
（５．１３）
∑π
ｉ∈ Ｉ
＝１
９６
的惟一非负解．此时称｛ π ｊ ∈Ｉ｝是该过程的平稳分布，并且有ｊ，ｌｉｍｐ（ｔ）＝π ｊｊ．

ｔ→ ∞
（２）若它是零常返的或非常返的，则ｌｉｍｐ（ｔ）＝ｌｉｍｐ（ｔ）＝０，ｉ，ｊ ∈Ｉ．ｉｊｊ

ｔ→ ∞ ｔ→ ∞
证明略．在实际应用中，有些问题可以用科尔莫戈罗夫方程直接求解，有些问题虽不能直接求解，但可以用方程（５．１３）求解．下面举几个在应用中有一定代表性的例题．例５．２　考虑两个状态的连续时间马尔可夫链，在转移到状态１之前链在状态０停留的时间是参数为 λ的指数变量，而在回到状态０之前它停留在状态１的时间是参数为 μ的指数变量．显然该链是一个齐次马尔可夫过程，其状态转移概率为ｐｈ）＝λ ｈ＋ｏ（ｈ），０１（ｐｈ）＝μ ｈ＋ｏ（ｈ），１０（由定理５．３知１－ｐ（ｈ）ｐ（ｈ）０００１ｑｌｉｍ＝ｌｉｍ００＝ｈ→０ｈ →０ｈｈｄ＝ｐ（ｈ）｜ｈ＝０＝λ＝ｑ０１，ｄｈ０１１－ｐ（ｈ）ｐ（ｈ）１１１０ｑｌｉｍ＝ｌｉｍ１１＝ｈｈｈ→０ｈ →０ｄ＝ｐ（ｈ）｜ｈ＝０＝ μ ＝ｑ１０１０．ｄｈ由科尔莫戈罗夫向前方程得ｐ ′ ｔ）＝μ ｐ（ｔ）－λ ｐｔ）００（０１００（＝－（λ ＋μ ）ｐｔ）＋μ，００（其中最后一个等式来自ｐｔ）＝１－ｐ（ｔ）．因此０１（００
（ λ＋ μ ）ｔ（λ ＋ μ ）ｔｅ［ｐ ′ ｔ）＋（ λ ＋μ ）ｐ（ｔ）］＝ μ ｅ００（００
或ｄ（λ＋ μ）ｔ（λ ＋ μ ）ｔ［ｅｐｔ）］＝ μ ｅ，００（ｄｔ于是 μ （λ＋ μ）ｔ（λ＋ μ ）ｔｅｐ（ｔ）＝ｅ＋ｃ．００ λ ＋μ λ 由于ｐ０）＝１，可见ｃ＝，于是００（ λ ＋μ
９７
μ λ －（λ＋ μ）ｔｐｔ）＝＋ｅ，００（ λ ＋ μ λ＋ μ λ μ 若记 λ ， μ＝，则０＝ λ ＋μ ０ λ ＋μ ｐ（ｔ）＝μ ０００＋λ ０ｅ类似地由向前方程ｐ ′ ｔ）＝λ ｐ（ｔ）－μ ｐｔ）０１（０００１（可解得

－（λ＋ μ ）ｔｐ（ｔ）＝λ ［１－ｅ］．０１０－（λ ＋ μ ）ｔ
由对称性知ｐ（ｔ）＝λ １１０＋μ ０ｅｐｔ）＝μ １－ｅ１０（０［故转移概率的极限为ｌｉｍｐ（ｔ）＝μ ｌｉｍｐ（ｔ），０００＝１０

ｔ→ ∞ ｔ→ ∞ －（λ ＋ μ ）ｔ
－（λ ＋ μ ）ｔ
］．
ｌｉｍｐ（ｔ）＝λ ｉｍｐ（ｔ）．１１０＝ｌ０１
ｔ→ ∞ ｔ→ ∞
由此可见，当ｔ →∞时，ｐ（ｔ）的极限存在且与ｉ无关．由定理５．７知，平稳分布ｉｊ为 π π ０＝μ ０，１＝λ ０．若取初始分布为平稳分布，即Ｐ｛Ｘ（０）＝０｝＝ｐＰ｛Ｘ（０）＝１｝＝ｐ０＝μ ０，１＝λ ０，则过程在时刻ｔ的绝对概率分布为　　　　ｐｔ）＝ｐ（ｔ）＋ｐ（ｔ）０（０ｐ００１ｐ１０
－（ λ＋ μ ）ｔ－（λ ＋ μ ）ｔ＝μ ［ λ ｅ＋μ ［１－ｅ］＝ μ ０００］＋λ ０μ ００，
　　　　ｐｔ）＝ｐ（ｔ）＋λ （ｔ）１（０ｐ０１０ｐ１１＝μ １－ｅ０λ ０［

－（ λ＋ μ ）ｔ
］＋λ ［λ ｅ００＋μ ０
－（ λ ＋ μ ）ｔ
］＝λ ０．
例５．３　机器维修问题．设例５．２中状态０代表某机器正常工作，状态１代表机器出故障．状态转移概率与例５．２相同，即在ｈ时间内，机器从正常工作变为出故障的概率为ｐｈ）＝λ ｈ＋ｏ（ｈ）；在ｈ时间内，机器从有故障变为经修复０１（后正常工作的概率为ｐｈ）＝ μ ｈ＋ｏ（ｈ），试求在ｔ＝０时正常工作的机器，在１０（ｔ＝５时为正常工作的概率．解　由例５．２已求得该过程的Ｑ矩阵为Ｑ＝－λ μ λ －μ ．
根据题意，要求机器最后所处的状态为正常工作，只需计算ｐｔ）即可．００（
９８
由例５．２知ｐ（ｔ）＝λ ｅ０００ λ μ 其中 λ ， μ ，故０＝０＝ λ ＋μ λ ＋μ ｐ（５）＝μ ｅ０００＋λ ０因为Ｐ｛Ｘ（０）＝０｝＝ｐ所以０＝１，Ｐ｛Ｘ（５）＝０｝＝ｐ５）＝ｐ５）０（０ｐ００（＝μ ０＋λ ０ｅ

－５（λ ＋ μ ）－５（λ ＋ μ ）－（λ ＋ μ ）ｔ
＋μ ０，
§ ５．３　生灭过程
连续时间马尔可夫链的一类重要特殊情形是生灭过程，它的特征是在很短的时间内，系统的状态只能从状态ｉ转移到状态ｉ－１或ｉ＋１或保持不变，确切定义如下．定义５．５　设齐次马尔可夫过程｛Ｘ（ｔ），ｔ≥０｝的状态空间为Ｉ＝｛０，１，２， …｝，转移概率为ｐ（ｔ），如果ｉｊｐ（ｈ）＝λ ｈ＋ｏ（ｈ）　（ λ ），ｉ，ｉ＋１ｉｉ＞０ｐ（ｈ）＝μ ｈ＋ｏ（ｈ）　（ μ μ ），ｉ，ｉ－１ｉｉ＞０，０＝０ｐ（ｈ）＝１－（ λ ）ｈ＋ｏ（ｈ），ｉｉｉ＋μ ｉｐ（ｈ）＝ｏ（ｈ），｜ｉ－ｊ｜≥２，ｉｊ则称｛Ｘ（ｔ），ｔ ≥０｝为生灭过程， λ μ ｉ为出生率，ｉ为死亡率．若λ λ ， μ μ （ λ ， μ是正常数），则称｛Ｘｔ ≥０｝为线性生灭过程．ｉ＝ｉｉ＝ｉｉ，若μ 则称｛Ｘ（ｔ），ｔ ≥０｝为纯生过程；若λ 则｛Ｘ（ｔ），ｔ ≥０｝为纯灭ｉ ≡０，ｉ ≡０，过程．生灭过程可作如下概率解释：若以Ｘ（ｔ）表示一个生物群体在ｔ时刻的大小，则在很短的时间ｈ内（不计高阶无穷小），群体变化有三种可能，状态由ｉ变到ｉ＋１，即增加一个个体，其概率为 λ ｈ；状态由ｉ变到ｉ－１，即减少一个个体，ｉ其概率为 μ ｈ；群体大小不增不减，其概率为１－（ λ ）ｈ．ｉｉ＋μ ｉ由定理５．３得ｄｑｐ（ｈ）｜ｈ＝０＝λ ｉ ≥０．ｉｉ＝－ｉ＋μ ｉ，ｄｈｉｉ λ 　ｊ＝ｉ＋１，　ｉ ≥０，ｉ，ｄｑｐ（ｈ）｜ｈ＝０＝ｉｊ＝ｉｊｄｈ μ 　ｊ＝ｉ－１，　ｉ ≥１，ｉ，ｑ｜ｉ－ｊ｜≥２，ｉｊ＝０，
９９
故科尔莫戈罗夫向前方程为ｐ ′ （ｔ）＝λ ｔ）－（ λ ）ｐ（ｔ）＋μ （ｔ），ｉ，ｊ ∈Ｉ．ｉｊｊ－１ｐｉ，ｊ－１（ｊ＋μ ｊｉｊｊ＋１ｐｉ，ｊ＋１科尔莫戈罗夫向后方程为ｐ ′ （ｔ）＝μ ｐ（ｔ）－（ λ ）ｐ（ｔ）＋λ ｐ（ｔ），ｉ，ｊ ∈Ｉ．ｉｊｉｉ－１，ｊｉ＋μ ｉｉｊｉｉ＋１，ｊ因为上述方程组的求解较为困难，我们讨论其平稳分布．由（５．１３）式，有 λ ０π ０＝μ １π １，（ λ ） π ｊ ≥１．ｊ＋μ ｊｊ＝λ ｊ－１π ｊ－１＋ μ ｊ＋１π ｊ＋１，逐步递推得 π １＝ λ λ λ ０１０λ １ π π π π …，０，２＝１＝０， μ μ μ １２１μ ２ λ λ ｊ－１０λ １ …λ ｊ－１ π π …，ｊ－１＝０， μ μ ｊ１μ ２ …μ ｊ
π ｊ＝
∞
再利用
得平稳分布 ∑ π ＝１，
ｊｊ＝１ ∞
π ０＝１＋ ∑
ｊ＝１
λ ０λ １ …λ ｊ－１ μ １μ ２ …μ ｊ
－１
，
－１
π ｊ＝
∞ λ λ ０λ １ …λ ｊ－１０λ １ …λ ｊ－１１＋ ∑ μ μ …μ μ μ …μ １２ｊ１２ｊｊ＝１
，　ｊ≥１．
（５．１４）
上式也指出平稳分布存在的充要条件是
∞
∑
例５．４　两个生灭过程
ｊ＝１
λ ０λ １ …λ ｊ－１＜∞． μ μ …μ １２ｊ
（ｉ）Ｍ／Ｍ／ｓ排队系统．假设顾客按照参数为 λ的泊松过程来到一个有ｓ个服务员的服务站，即相继来到之间的时间是均值为１／λ的独立指数随机变量，每一顾客一来到，如果有服务员空闲，则直接进行服务，否则此顾客要加入排队行列（即他在队列中等待）．当一个服务结束对一位顾客的服务时，顾客就离开服务系统，排队中的一个顾客（若有顾客等待）进入服务，假定相继的服务时间是独立的指数随机变量，均值为１／ μ．如果我们以Ｘ（ｔ）记时刻ｔ系统中的人数，则｛Ｘ（ｔ），ｔ ≥ ０｝是生灭过程 μ ｎ＝ｎ μ，ｓ μ，１ ≤ ｎ≤ｓ，ｎ＞ｓ，
λ ，　ｎ≥０．ｎ＝λ Ｍ／Ｍ／ｓ排除系统中Ｍ表示马尔可夫过程，ｓ代表ｓ个服务员．特别在Ｍ／Ｍ／１排队系统中， λ ， μ ，于是若 λ ／μ ＜１，则由（５．１４）式得ｎ＝λ ｎ＝μ
１００
πｎ＝
（ λ ／ μ ）ｎ ∞ λ １＋ ∑ μ ｎ＝１
λ μ
１－
λ ，ｎ≥０， μ
要平稳分布（即极限分布）存在， λ必须小于μ是直观的．顾客按速率 λ到来且以速率 μ受到服务，因而当 λ＞ μ时他们到来的速率高于他们能受到服务的速率，排队的长度趋于无穷． λ＝ μ的情况类似于对称的随机游动，它是零常返的，从而没有极限概率．（ｉｉ）有迁入的线性增长模型． μ μ ，ｎ≥１，ｎ＝ｎ λ λ＋θ ，ｎ≥０ｎ＝ｎ的模型称为有迁入的线性增长模型．这种过程来自于生物繁殖与群体增长的研究中．假定群体中的每个个体以指数率 λ出生；此外，群体由于从外界迁入的因素又以指数率 θ增加，因此当系统中有ｎ个成员时，整个出生率是ｎ λ＋θ ．假定此群体的各个成员以指数率 μ死亡，从而 μ μ．ｎ＝ｎ例５．５　尤尔过程　设群体中各个成员独立地活动以指数率 λ生育．若假设没有任何成员死亡，以Ｘ（ｔ）记时刻ｔ群体的总量，则Ｘ（ｔ）是一个纯生过程，其 λ λ，ｎ＞０ｎ＝ｎ称此纯生过程为尤尔过程．试计算（１）从一个个体开始，在时刻ｔ群体总量的分布；（２）从一个个体开始，在时刻ｔ群体诸成员年龄之和的均值．解　（１）记Ｔ（ｉ ≥１）为第ｉ个与第ｉ＋１个成员出生之间的时间，即Ｔｉｉ是群体总量从ｉ变到ｉ＋１所花的时间．由尤尔过程的定义容易得到Ｔ（ｉ ≥１）是独ｉ立的具有参数ｉ λ的指数变量．故
－λ ｔＰ（Ｔ）＝１－ｅ，１ ≤ｔ
Ｐ（Ｔ）＝１＋Ｔ２ ≤ｔ
（Ｔ＋Ｔ ≤ｔ｜Ｔ＝ｘ） λ ｅ ∫Ｐ
０１２１
－λ ｘ
ｄｘ
１－ｅ ∫（
０
－２λ （ｔ－ｘ）
）λ ｅｄｘ
－λ ｘ
＝（１－ｅ），　Ｐ（Ｔ）１＋Ｔ２＋Ｔ３ ≤ｔ＝（Ｔ＋Ｔ＋Ｔ ≤ｔ｜Ｔ＋Ｔ＝ｘ）ｄＦ ∫Ｐ
０１２３１２ｔＴ＋Ｔ１２
－λ ｔ２
（ｘ）
１－ｅ ∫（
０－λ ｔ
－３λ （ｔ－ｘ）
）（１－ｅ）２ λ ｅｄｘ
－λ ｔ
－λ ｘ
＝（１－ｅ）．
１０１
一般地，由归纳法可证明Ｐ（Ｔ）＝（１－ｅ）．１＋Ｔ２＋…＋Ｔｊ ≤ｔ由于Ｐ（Ｔ）＝Ｐ（Ｘ（ｔ）≥ｊ＋１｜Ｘ（０）＝１），１＋Ｔ２＋…＋Ｔｊ ≤ｔ故ｐ（ｔ）＝（１－ｅ）１ｊ

－λ ｔ－λ ｔｊ－１－λ ｔｊ
－（１－ｅ），ｊ ≥１．
－λ ｔ
＝ｅ（１－ｅ）
－λ ｔｊ－１
由此可见，从一个个体开始，在时刻ｔ群体的总量具有几何分布，其均值为ｅ．一般，如果群体从ｉ个个体开始，在时刻ｔ群体总量是ｉ个独立同几何分布随机变量之和，具有负二项分布，即ｐ（ｔ）＝ｉｊｊ－１ｉ－１ｅ（１－ｅ）
－ｉ λ ｔ－λ ｔｊ－１
λ ｔ
，ｊ ≥ｉ ≥１．
（２）记Ａ（ｔ）为群体在时刻ｔ诸成员的年龄之和，则可以证明Ａ（ｔ）＝ａ０＋（ｓ）ｄｓ， ∫Ｘ

０ｔ
其中ａ＝０时的年龄．取期望得０是初始个体在ｔＥＡ（ｔ）＝ａ０＋Ｅ＝ａ０＋
∫
０ λ ｓ
Ｘ（ｓ）ｄｓ＝ａ０＋
λ ｔ０
［Ｘ（ｓ）］ｄｓ ∫Ｅ
０
ｅ－１ｓ＝ａ＋． ∫ｅｄ λ
０
例５．６　传染模型　考虑有ｍ个个体的群体，在时刻０由一个已感染的个体与ｍ－１个未受到感染但可能被感染的个体组成．个体一旦受到感染将永远地处于此状态．假设在任意长为ｈ的时间区间内任意一个已感染的人将以概率ａｈ＋ｏ（ｈ）引起任一指定的未感染者成为感染者．若我们以Ｘ（ｔ）记时刻ｔ群体中已受感染的个体数，则｛Ｘ（ｔ），ｔ ≥０｝是一纯生过程，其 λ ｎ＝（ｍ－ｎ）ｎａ，０，ｎ＝１，２， …，ｍ－１，其它．
这是因为当有ｎ个已受感染的个体时则ｍ－ｎ个未受感染者的每一个将以速率ｎａ变成已感染者．记Ｔ为直至整个群体被感染的时间，Ｔ＋１个已感染ｉ为从ｉ个已感染者到ｉ者的时间，则

ｍ－１
Ｔ＝ ∑ Ｔｉ．
ｉ＝１
由于Ｔ其参数分别为 λ （ｍ－ｉ）ｉａ，ｉ＝１，２， …，ｉ是相互独立的指数随机变量，ｉ＝ｍ－１，故
１０２
ｍ－１
ＥＴ＝ＤＴ＝
Ｔ＝ ∑ ， ∑Ｅａｉ（ｍ－ｉ）
ｉｉ＝１ｉ＝１
ｍ－１
ｍ－１
∑
ｉ＝１
ＤＴｉ＝
１２ａ
ｍ－１
∑
ｉ＝１
１．ｉ（ｍ－ｉ）
对规模合理的群体，ＥＴ渐近地为ＥＴ＝ ≈ １ｍａ∑ ｉ＝１１ｍａ

ｍ－１
１１＋　　　　　ｍ－ｉｉ１１２ｌｎ（ｍ－１）＋ｄｔ＝．ｍ－ｔｔｍａ
∫
１
ｍ－１
例５．７　机器维修　设有ｍ台机床，ｓ个维修工人（ｓ＜ｍ）．机床或者工作，或者损坏等待修理．机床损坏后，空着的维修工人立即来修理．若维修工人不空，则机床按先坏先修排队等待维修．假定在ｈ时间内，每台机床从工作转到损坏的概率的 λ ｈ＋ｏ（ｈ），每台修理的机床转到工作的概率为 μ ｈ＋ｏ（ｈ）．用Ｘ（ｔ）表示时刻ｔ损坏的机床台数，则｛Ｘ（ｔ），ｔ ≥ ０｝是连续时间马尔可夫链，其状态空间Ｉ＝｛０，１， …，ｍ｝．设时刻ｔ有ｉ台机床损坏，则在（ｔ，ｔ＋ｈ）内又有一台机床损坏的概率，在不计高阶无穷小时，它应等于原来正在工作的ｍ－ｉ台机床中，在（ｔ，ｔ＋ｈ）内恰有一台损坏的概率，于是ｐ（ｈ）＝（ｍ－ｉ） λ ｈ＋ｏ（ｈ），ｉ＝０，１， …，ｍ－１．ｉ，ｉ＋１类似地ｐｈ）＝ｉ，ｉ－１（ｉ μ ｈ＋ｏ（ｈ），１ ≤ｉ ≤ｓ，ｓ μ ｈ＋ｏ（ｈ），ｓ＜ｉ ≤ ｍ，
ｐ（ｈ）＝ｏ（ｈ），｜ｉ－ｊ｜≥２．ｉｊ显然，这是一个生灭过程，其中 λ （ｍ－ｉ） λ ，ｉ＝０，１， …，ｍ，ｉ＝ μ ｉ＝由（５．１４）式知它的平稳分布为

ｓｊ π ｍ０＝１＋ ∑ Ｃｊ＝１
ｉ μ，１≤ｉ ≤ｓ，ｓ μ，ｓ＜ｉ ≤ ｍ．
ｍｊ－１
λ （ｓ＋１）（ｓ＋２） …ｊ λ ＋ ∑ Ｃｊｍｊ－ｓ μ μ ｓｊ＝ｓ＋１
ｊ
Ｃｊｍ π ｊ＝Ｃｍ
ｊ
λ π， μ ０（ｓ＋１）（ｓ＋２）…ｊ λ π，ｊ－ｓ μ ０ｓ
ｊ
１≤ｊ ≤ｓ，ｓ＜ｊ ≤ ｍ．
当已知ｍ， λ ， μ后，可以由上述平稳分布计算出在安排ｓ个维修工人时，平均不
§ ５．４　布朗运动及其基本性质

ｍ
１０３
工作的机床台数
π，因而可以适当安排维修工人人数ｓ． ∑ｊ
ｊｊ＝１
§ ５．４　布朗运动及其基本性质
布朗运动是时间连续、状态连续的马尔可夫过程，在工程、经济和科学领域中有广泛的应用．第二章§２．４中，我们已经简单地介绍了布朗运动的概念，以下各节将进一步讨论布朗运动的性质．我们首先对布朗运动给一个直观的描述．考虑直线上对称的随机游动．设Ｘ（ｔ）表示质点在时刻ｔ所处的位置，Ｘ（０）＝０．质点每隔 Δ ｔ时间等概率地向左或向右走一步，其步长为 Δｘ＝σ ／ Δ ｔ，此时Ｘ（ｔ）＝Δｘ（Ｘ），１＋…＋Ｘ［ｔ／Δ ｔ］其中Ｘｉ＝１，若步长为 Δｘ的第ｉ步向右，－１，若步长为 Δｘ的第ｉ步向左，（５．１５）
且假设Ｘ其分布列为ｉ是相互独立同分布的随机变量，Ｐ（Ｘ）＝Ｐ（Ｘ）＝ｉ＝１ｉ＝－１故ＥＸＤＸ由（５．１５）ｉ＝０，ｉ＝１，ＥＸ（ｔ）＝０，ＤＸ（ｔ）＝（ Δｘ）

２
１．２
ｔｔ２＝σΔ ｔ． Δ ｔ Δ ｔ
（５．１６）
由于Ｘ当Δ ｔ →０时，ｉ是相互独立同分布的随机变量，的中心极限定理知ｌｉｍ

Δｔ→ ０
ｔ →∞，由独立同分布 Δ ｔ
Ｘ（ｔ）Ｄ［Ｘ（ｔ）］
依分布收敛于标准正态随机变量Ｎ（０，１），且Ｅ［Ｘ（ｔ）］＝０，ｌｉｍＤ［Ｘ（ｔ）］＝σｔ．

Δｔ →０２２
故Ｘ（ｔ）是均值为０，方差为 σｔ的正态随机变量．由于随机游动在不相重叠的时间区间中的变化是相互独立的，且在任一时间区间中的位置变化只依赖于时间区间的长度，故Ｘ（ｔ）是平稳独立增量过程．　　　总之，当Δ ｔ →０时，由（５．１５）定义的Ｘ（ｔ）是参数为 σ 的布朗运动．
２
１０４
以下我们只对标准布朗运动探讨其性质．定理５．８　设｛Ｂ（ｔ），ｔ ≥０｝是布朗运动，则（１）（轨道连续性）　Ｂ（ｔ）是ｔ的连续函数；（２）｛Ｂ（ｔ），ｔ ≥０｝是马尔可夫过程；（３）对任意０＜ｔ（Ｂ（ｔ，Ｂ（ｔ …，Ｂ（ｔ）的联合概率密１＜ｔ２＜…＜ｔｎ，１）２），ｎ）度为ｆｘ …，ｘ）＝ｆｘｆｘ …ｆ（ｘ），ｔ， …，ｔ（１，ｎｔ（１）ｔ－ｔ（２－ｘ１）ｔ－ｔｎ－ｘｎ－１１ｎ１２１ｎｎ－１（５．１７）其中ｆ（ｘ）＝ｔ１－ｘ２／２ｔｅ．２ π ｔ
证　（１）参见第六章例６．１．（２）由于布朗运动｛Ｂ（ｔ），ｔ ≥０｝是独立增量过程，故对任意０＜ｔ１＜ｔ２＜… ＜ｔｎ＜ｔｎ＋１，　　　Ｐ（Ｂ（ｔ）≤ｘ｜Ｂ（ｔ）＝ｘ …，Ｂ（ｔＢ（ｔ）＝ｘ）ｎ＋１１１，ｎ－１）＝ｘｎ－１，ｎｎ＝Ｐ（Ｂ（ｔ）－Ｂ（ｔ）≤ｘ－ｘ｜Ｂ（ｔ）＝ｘ …，Ｂ（ｔ＝ｘＢ（ｔ）＝ｘ）ｎ＋１ｎｎ１１，ｎ－１）ｎ－１，ｎｎ＝Ｐ（Ｂ（ｔ）－Ｂ（ｔ）≤ ｘ－ｘ）ｎ＋１ｎｎ＝Ｐ（Ｂ（ｔ）≤ｘ｜Ｂ（ｔ）＝ｘ），ｎ＋１ｎｎ即｛Ｂ（ｔ），ｔ ≥０｝具有无后效性，故｛Ｂ（ｔ），ｔ ≥ ０｝为马尔可夫过程．（３）见习题２．１７．推论　布朗运动｛Ｂ（ｔ），ｔ ≥０｝的有限维分布具有空间齐次性，即对Ｐｔｉ≥ ０，ｘｉ＝１，２， …，ｎ，ｉ ∈Ｒ，　　　Ｐ（Ｂ（ｔ）≤ｘＢ（ｔ）≤ｘ …，Ｂ（ｔ） ≤ｘ｜Ｂ（０）＝０）１１，２２，ｎｎ＝Ｐ（Ｂ（ｔ）≤ｘ，Ｂ（ｔ）≤ ｘ， …，Ｂ（ｔ）≤ｘ｜Ｂ（０）＝ｙ）．（５．１８）１１＋ｘ２２＋ｘｎｎ＋ｘ上述性质表示，若｛Ｂ（ｔ），ｔ ≥０｝是始于ｙ的布朗运动，则Ｂ（ｔ）－ｙ是始于０的布朗运动，故我们只需研究始于０的布朗运动．对Ｐ０＜ｓ＜ｔＰ（Ｂ（ｔ）≤ｘ｜Ｂ（ｓ）＝ｙ）＝Ｐ（Ｂ（ｔ）≤ ｘ－ｙ｜Ｂ（ｓ）＝０）＝
ｘ－ｙ
－∞
２１ｅ－ｕ／２（ｔ－ｓ）ｄｕ．２ π （ｔ－ｓ）
上式对ｘ求导，得到Ｂ（ｔ）关于Ｂ（ｓ）的条件概率密度ｆｘ｜ｙ）＝Ｂ（ｔ）｜Ｂ（ｓ）（

２１－（ｘ－ｙ）／２（ｔ－ｓ）ｅ．２ π （ｔ－ｓ）
（５．１９）
它表示布朗运动Ｂ（ｔ）在时刻ｓ从ｙ出发，经过时间ｔ－ｓ后转移到ｘ的概率密度．由于布朗运动是平稳增量过程，故其转移概率密度与时间的起点无关．通常
§ ５．５　布朗运动的最大值变量及反正弦律
１０５
记为ｐ（ｘ，ｔ；ｙ）＝
２１－（ｘ－ｙ）／２ｔｅ．２ π ｔ
（５．２０）
由转移概率密度，可以得到始于ｙ的布朗运动的有限维分布函数（０＜ｔ１＜ｔ）２＜…＜ｔｎ　Ｐ（Ｂ（ｔ）≤ ｘ …，Ｂ（ｔ）≤ｘ｜Ｂ（０）＝ｙ）１１，ｎｎ＝
ｘ１
ｐ（ｙｔｙ）ｄｙ１，１；１
ｘｎ
－∞
ｘ２
ｐ（ｙｔｙ）ｄｙ２，２－ｔ１；１２（５．２１）
－∞
　…
－∞
ｐ（ｙｔｙｄｙｎ，ｎ－ｔｎ－１；ｎ－１）ｎ．
　　可见，布朗运动完全由初始状态与转移概率密度所确定．例５．８　设Ｂ（ｔ）是标准布朗运动，求Ｐ（Ｂ（１）≤０，Ｂ（２）≤ ０）．解　由（５．２１）式及Ｐ（Ｂ（０）＝０）＝１　Ｐ（Ｂ（１）≤０，Ｂ（２）≤ ０）＝Ｐ（Ｂ（１）≤０，Ｂ（２） ≤０｜Ｂ（０）＝０）Ｐ（Ｂ（０）＝０）＝Ｐ（Ｂ（１）≤０，Ｂ（２）≤ ０｜Ｂ（０）＝０）＝＝
∫ ∫ ∫
００
－∞
１－ｙ２／２ｅ１ｄｙ１２ π １－ｙ２ｅ１／２ｄｙ１２ π
∫ ∫
－∞ ｙ１
１－（ｙ２－ｙ１）２／２ｅｄｙ２２ π １－ｕ２／２ｅｄｕ２ π
－∞
－∞
Φ （－ｙ）ｄΦ （ｙ）＝１１
－∞
［１－ Φ （ｙ］ｄΦ （ｙ１）１），
－∞
其中 Φ （ｙ）＝
－∞
１－ｘ２／２ｅｄｘ为标准正态分布函数，故２ π
Ｐ（Ｂ（１） ≤０，Ｂ（２）≤０）＝ Φ （０）－１＝－２
１２
Φ （ｙ）ｄΦ （ｙ１１）３
－∞
ｄｙ＝． ∫ｙ８
０
设｛Ｂ（ｔ），ｔ ≥０｝是标准布朗运动，记Ｔｘ＝ｉｎｆ｛ｔ＞０；Ｂ（ｔ）＝ｘ｝，即ＴＢ（ｔ），ｔ ≥０｝首次击中ｘ的时刻，显然Ｔ其ｘ表示布朗运动｛ｘ是随机变量，分布由如下定理给出．定理５．９　Ｔｘ的概率密度为
１０６

２｜ｘ｜－３－ｘ／２ｔ２ｅ，ｔ＞０， π ｆｔ）＝２Ｔ（ｘ０，ｔ ≤０．
（５．２２）
证　对ｘ＞０，由全概率公式Ｐ（Ｂ（ｔ）≥ｘ）＝Ｐ（Ｂ（ｔ）≥ｘ｜Ｔ）Ｐ（Ｔ）ｘ ≤ｔｘ ≤ｔ＋Ｐ（Ｂ（ｔ）≥ｘ｜Ｔ）Ｐ（Ｔ）．ｘ＞ｔｘ＞ｔ性，在ｔ时刻Ｂ（ｔ）处于ｘ之上或之下是等可能的，故Ｐ（Ｂ（ｔ）≥ｘ｜Ｔ）＝ｘ ≤ｔ１．２，故（５．２３）式的第二（５．２３）若Ｔｘ ≤ｔ，则布朗运动Ｂ（ｔ）在［０，ｔ］中某一时刻击中ｘ，由布朗运动的对称
由布朗运动轨道连续性知｛Ｔｘ≤ｔ｝∩｛Ｂ（ｔ）≥ｘ｝＝项为零，因此Ｐ（Ｔｘ ≤ｔ）＝２Ｐ（Ｂ（ｔ）≥ｘ）＝２＝２２ π
∞ ｘ
１－ｕ２／２ｔｅｄｕ２ π ｔ（５．２４）
ｅ－ｙ／２ｄｙ．
ｘ／ｔ
上式对ｘ求导，得Ｔｘ的概率密度ｆｔ）＝Ｔ（

ｘｘｘ－３－ｔ２ｅ２ｔ，ｔ＞０，２ π ２
（５．２５）
０，
２
ｔ ≤０．
当ｘ＜０时，由布朗运动的对称性，Ｔｘ与Ｔ－ｘ有相同分布，故

ｘ－ｘ－３－２ｔ，ｔｔ２ｅ＞０，ｆｔ）＝２ π Ｔ（ｘ
（５．２６）
０，综合（５．２５）与（５．２６）式即为（５．２２）式，证毕．
ｔ ≤０．
由（５．２４）式和（５．２２）式，对ｘ＞０（ｘ＜０类似）Ｐ（ＴｌｉｍＰ（Ｔ）＝ｘ＜∞）＝ｘ ≤ｔ

ｔ→ ∞
２２ π
∫
０ ∞ ０
ｅ２ｄｙ＝１，
１２ｘ
２ｙ
Ｅ（Ｔ）＝ｘ作变量代换ｕ＝
ｔｆｔ）ｄｔ＝Ｔ（
ｘ２
－∞
ｘ２ π
－－２ｅ２ｔｄｔｔ，
ｘ２ｘ，则ｄｔ＝３ｄｕ，ｕｔ２２ｘＥ（Ｔｘ）＝２ π
２
∫
０１－２
１－ｕ２／２ｄｕ２ｅｕ
１
２ｘｅ ≥ ２ π
∫ ｙｄｙ
２０
１０７
＝∞．可见，Ｔｘ虽然是概率１有限，但有无穷的期望．这就是说布朗运动以概率１迟早会击中ｘ，但它的平均时间是无限的，进一步，由布朗运动的空间齐次性知，布朗运动从任一点出发击中ｘ的概率都是１．下面，我们进一步对布朗运动｛Ｂ（ｔ），ｔ ≥０｝在时间区间［ａ，ｂ］中的最大值（或最小值）及穿过０点的次数的问题进行讨论．记Ｍ（ｔ）＝ｍａｘＢ（ｓ），
０≤ ｓ≤ ｔ
ｍ（ｔ）＝ｍｉｎＢ（ｓ），
０ ≤ ｓ≤ ｔ
称Ｍ（ｔ）和ｍ（ｔ）为布朗运动Ｂ（ｔ）在［０，ｔ］中的最大值与最小值，显然Ｍ（ｔ）与ｍ（ｔ）都是随机变量．由定理５．９，可以得到Ｍ（ｔ）与ｍ（ｔ）的分布．定理５．１０　Ｍ（ｔ）与ｍ（ｔ）的概率密度分别为（１）ｆｘ）＝Ｍ（

２２－１－ｘ／２ｔｔ２ｅ，ｘ＞０，２ π
（５．２７）
０，２（２）ｆｘ）＝ｍ（ｔｅ２ π ０，证　（１）若ｘ＞０，
１－２２－ｘ／２ｔ
ｘ ≤０；，ｘ＜０，（５．２８）ｘ≥０．
Ｐ（Ｍ（ｔ）≥ｘ）＝Ｐ（Ｔ）＝２Ｐ（Ｂ（ｔ）≥ｘ）ｘ ≤ｔ＝２
∫ ２ π
∞ ｘ／ｔ
２－ｙ／２
ｄｙ，
２ｘ２２－１－ｆＭ（ｘ）＝［１－Ｐ（Ｍ（ｔ） ≥ｘ）］＝ｔ２ｅ２ｔ．２ｘ２ π
若ｘ＜０，由于Ｂ（０）＝０，故在［０，ｔ］内事件（Ｍ（ｔ）≤ｘ）是不可能事件，故Ｐ（Ｍ（ｔ） ≤ｘ）＝０．因此，Ｍ（ｔ）的概率密度为ｆｘ）＝Ｍ（（２）证明与（１）类似．若记Ｏ（ｔｔ｛Ｂ（ｔ），ｔ ≥０｝在时间区间（ｔｔ１，２）表示布朗运动１，２）中至少取得有一个零点这一事件，则我们有如下反正弦律：２定理５．１１　Ｐ（Ｏ（ｔｔ））＝１－ａｒｃｓｉｎｔ／ｔ１，２１２． π （５．２９）
ｘ２－１－ｔ２ｅ２ｔ，ｘ＞０，２ π ２
０，
ｘ≤０．
１０８
证　利用全概率公式Ｐ（Ｏ（ｔｔ））＝１，２１２ π ｔ１
Ｐ（Ｏ（ｔｔ）｜Ｂ（ｔ）＝ｘ）ｅ１，２１
２－ｘ／２ｔ１
ｄｘ．
－∞
由布朗运动关于原点的对称性及轨道的连续性知Ｐ（Ｏ（ｔｔ｜Ｂ（ｔ）＝Ｐ（Ｔｘ ≤ｔ．１，２）１）＝ｘ２－ｔ１）由（５．２４）式１Ｐ（Ｏ（ｔｔ）＝１，２） π ｔ（ｔ１２－ｔ１）
∫ ∫ｅ
０ｘ
２－ｙ／２（ｔ－ｔ）２１
－ｘ／２ｔ１ｄｄｙｅｘ
２＝１－ａｒｃｓｉｎｔ／ｔ１２． π 推论１　设０＜ｘ＜１，则２Ｐ｛布朗运动在（ｘｔ，ｔ）中没有零点｝＝ａｒｃｓｉｎｘ． π ２Ｐ（Ａ（ｔ）／ｔ ≤ｘ）＝ａｒｃｓｉｎｘ． π （５．３０）
推论２　设Ａ（ｔ）表示布朗运动在［０，ｔ］中为正的时间，则对０＜ｘ＜１，（５．３１）
§ ５．６　布朗运动的几种变化
一、布朗桥
由布朗运动，我们可以定义一类应用广泛的布朗桥过程．定义５．６　设｛Ｂ（ｔ），ｔ ≥０｝是布朗运动，令Ｂ（ｔ）＝Ｂ（ｔ）－ｔＢ（ｔ），０≤ｔ ≤１，则称随机过程｛Ｂ＊（ｔ），０≤ｔ ≤１｝为布朗桥．由定义知Ｂ＊（０）＝Ｂ＊（１）＝０，即Ｂ＊（ｔ）的起始点是固定的，就像桥一样，这就是布朗桥名称的由来．由于布朗运动是高斯过程，故布朗桥也是高斯过程，其有限维分布完全由均值函数和协方差函数确定．显然，对任意０≤ｓ ≤ｔ ≤１，有ｍＢ＊（ｔ）＝ＥＢ（ｔ）＝ＥＢ（ｔ）－ｔＥＢ（ｔ）＝０，　Ｃｏｖ（Ｂ（ｓ），Ｂ（ｔ））＝ＥＢ（ｓ）Ｂ（ｔ）＝Ｅ（Ｂ（ｓ）－ｓＢ（１））（Ｂ（ｔ）－ｔＢ（１））＝ｓ－ｔｓ－ｔｓ＋ｔｓ＝ｓ（１－ｔ）．布朗桥在研究经验分布函数时有着重要作用．设Ｆｘ）是总体Ｆ（ｘ）的经ｎ（验分布函数，｛Ｂ（ｔ），０≤ｔ ≤１｝是布朗桥，则
＊＊＊＊＊＊＊
§ ５．６　布朗运动的几种变化
１０９
ｌｉｍＰ（ｎｓｕｐ｜Ｆ（ｘ）－Ｆ（ｘ）｜≤ｙ）＝Ｐ（ｍａｘ｜Ｂ＊（ｔ）｜≤ｙ），ｎ

ｎ→ ∞ ｘ０≤ ｔ≤ １
即ｎｓｕｐ｜Ｆ（ｘ）－Ｆ（ｘ）｜的极限分布是布朗桥的最大值分布．ｎ
ｘ
二、有吸收值的布朗运动
设Ｔｘ是布朗运动｛Ｂ（ｔ），ｔ ≥０｝首次击中ｘ的时刻，ｘ＞０．记Ｚ（ｔ）＝Ｂ（ｔ），若ｔ＜Ｔｘ，ｘ，若ｔ ≥Ｔｘ，
则｛Ｚ（ｔ），ｔ ≥０｝是击中ｘ后永远停留在ｘ处的布朗运动．对任意ｔ＞０，随机变量Ｚ（ｔ）的分布既有离散又有连续部分．离散部分是Ｐ（Ｚ（ｔ）＝ｘ）＝Ｐ（Ｔ）ｘ ≤ｔ＝２２ π ｔ
∫ｅ
ｘ
２－ｙ／２
ｄｙ．
（５．３２）
对于连续部分，设ｙ＜ｘ，我们有Ｐ（Ｚ（ｔ）≤ｙ）＝Ｐ（Ｂ（ｔ）≤ｙ，ｍａｘＢ（ｓ）＜ｘ）

０ ≤ ｓ≤ ｔ
＝Ｐ（Ｂ（ｔ）≤ｙ）－Ｐ（Ｂ（ｔ）≤ｙ，ｍａｘＢ（ｓ）＞ｘ）．

０≤ ｓ≤ ｔ
（５．３３）
计算（５．３３）式右边第二项，由条件概率的乘法公式Ｐ（Ｂ（ｔ）≤ｙ，ｍａｘＢ（ｓ）＞ｘ）

０≤ ｓ≤ ｔ
＝Ｐ（Ｂ（ｔ） ≤ｙ｜ｍａｘＢ（ｓ）＞ｘ）Ｐ（ｍａｘＢ（ｓ）＞ｘ）
０≤ ｓ≤ ｔ０≤ ｓ≤ ｔ０≤ ｓ≤ ｔ
（５．３４）
注意到事件（ｍａｘＢ（ｓ）＞ｘ）等价于事件（Ｔ）；若布朗运动在时刻Ｔ（Ｔ）ｘ＜ｔｘｘ＜ｔ击中ｘ，那么为了在时刻ｔ小于ｙ，它在之后的ｔ－Ｔ．由ｘ时间中必须减少ｘ－ｙ对称性，它与增加这个数量的概率是相同的．因此Ｐ（Ｂ（ｔ）≤ｙ｜ｍａｘＢ（ｓ）＞ｘ）
０≤ ｓ≤ ｔ
＝Ｐ（Ｂ（ｔ） ≥２ｘ－ｙ｜ｍａｘＢ（ｓ）＞ｘ）．
０≤ ｓ≤ ｔ
（５．３５）
由（５．３４）与（５．３５）我们有　Ｐ（Ｂ（ｔ）≤ｙ，ｍａｘＢ（ｓ）＞ｘ）

０≤ ｓ≤ ｔ
＝Ｐ（Ｂ（ｔ）≥２ｘ－ｙ｜ｍａｘＢ（ｓ）＞ｘ）Ｐ（ｍａｘＢ（ｓ）＞ｘ）

０≤ ｓ≤ ｔ０≤ ｓ≤ ｔ
＝Ｐ（Ｂ（ｔ）≥２ｘ－ｙ，ｍａｘＢ（ｓ）＞ｘ）

０≤ ｓ≤ ｔ
＝Ｐ（Ｂ（ｔ）≥２ｘ－ｙ）　　（因为ｙ＜ｘ），由（５．３３）式Ｐ（Ｚ（ｔ）≤ｙ）＝Ｐ（Ｂ（ｔ）≤ｙ）－Ｐ（Ｂ（ｔ）≥２ｘ－ｙ）＝Ｐ（Ｂ（ｔ）≤ｙ）－Ｐ（Ｂ（ｔ）≤ｙ－２ｘ）　（由正态分布的对称性）＝
ｙ２１－ｕ／２ｔｅｄｕ．２ π ｔｙ－２ｘ
１１０
三、在原点反射的布朗运动
设｛Ｂ（ｔ），ｔ ≥０｝为布朗运动，令Ｙ（ｔ）＝｜Ｂ（ｔ）｜，ｔ ≥０，则称随机过程｛Ｙ（ｔ），ｔ ≥０｝为原点反射的布朗运动．由于Ｂ（ｔ）～Ｎ（０，ｔ），故Ｙ（ｔ）的分布函数为（ｙ＞０）Ｐ（Ｙ（ｔ）≤ｙ）＝Ｐ（Ｂ（ｔ）≤ｙ）－Ｐ（Ｂ（ｔ）≤－ｙ）＝２Ｐ（Ｂ（ｔ）≤ｙ）－１＝由此可得Ｙ（ｔ）的数字特征ＥＹ（ｔ）＝２ｔ／ π，ＤＹ（ｔ）＝１－２ｔ． π ２２ π ｔ
ｙ
ｅ－ｕ／２ｔｄｔ－１．
－∞
四、几何布朗运动
设｛Ｂ（ｔ），ｔ ≥０｝是布朗运动，令Ｘ（ｔ）＝ｅ
Ｂ（ｔ）
，ｔ ≥０，
则称随机过程｛Ｘ（ｔ），ｔ ≥ ０｝为几何布朗运动．由于Ｂ（ｔ）～Ｎ（０，ｔ），其矩母函数为

ｓＢ（ｔ）ｔｓ／２Ｅ［ｅ］＝ｅ，２
所以｛Ｘ（ｔ），ｔ ≥０｝的数字特征Ｅ［Ｘ（ｔ）］＝Ｅ［ｅ］＝ｅ，

２２Ｄ［Ｘ（ｔ）］＝Ｅ［Ｘ（ｔ）］－（ＥＸ（ｔ））２Ｂ（ｔ）ｔ＝Ｅ［ｅ］－ｅＢ（ｔ）ｔ／２
＝ｅ－ｅ．例５．９　股票期权的价值．设某人拥有在将来的一个时刻Ｔ以固定的价格Ｋ购买一股某种股票的期权．假设股票目前的价格为ｙ，且它的价格按几何布朗运动变化，我们来计算拥有这期权的平均价值．若时刻Ｔ的股票价格是Ｋ或更高时，期权将被实施，因此它的平均价值为Ｅ［ｍａｘ（Ｘ（Ｔ）－Ｋ，０）］＝＝＝
２ｔ
∫
０
Ｐ（Ｘ（Ｔ）－Ｋ＞ｕ）ｄｕ
∫
０
Ｐ（Ｙｅ
Ｂ（Ｔ）
－Ｋ＞ｕ）ｄｕＫ＋ｕ）ｄｕｙ
∫
０
Ｐ（Ｂ（Ｔ）＞ｌｎ
§ ５．７　向后与向前扩散方程
１１１
∞ ２－ｘ／（２Ｔ）
１２ πＴ
∫∫
０
ｄｘｄｕ．
ｌｎ［（Ｋ＋ｕ）／ｙ］
五、有漂移的布朗运动
设｛Ｂ（ｔ），ｔ ≥０｝为标准布朗运动，令Ｘ（ｔ）＝Ｂ（ｔ）＋ μ ｔ，则称随机过程｛Ｘ（ｔ），ｔ ≥ ０｝为具有漂移系数 μ的布朗运动．显然｛Ｘ（ｔ），ｔ ≥０｝具有以下性质：（１）Ｘ（０）＝０；（２）｛Ｘ（ｔ），ｔ ≥０｝具有平稳独立增量；（３）Ｘ（ｔ）～Ｎ（μ ｔ，ｔ）．因此有漂移的布朗运动是一个以速率 μ漂移开的过程．
§ ５．７　向后与向前扩散方程
我们知道，时间与状态都是离散的马尔可夫链，其ｎ步转移概率ｐ（ｎ）满ｉｊ足Ｃ－Ｋ方程（（４．２）式）；时间连续的马尔可夫链，其转移概率ｐ（ｔ）满足科尔ｉｊ莫戈罗夫向后与向前方程（（５．７），（５．９）式），对于布朗运动，我们也有类似的结论．定理５．１２　设Ｘ（ｔ）是漂移系数 μ 的布朗运动，在Ｘ（０）＝ｙ的条件下Ｘ（ｔ）的概率密度为ｐ（ｘ，ｔ；ｙ）＝ｌｉｍＰ（ｘ＜Ｘ（ｔ）＜ｘ＋Δｘ｜Ｘ（０）＝ｙ）／ Δｘ，
Δ ｘ →０
（５．３６）
则５５１５２（１）ｐ（ｘ，ｔ；ｙ）＝μ ｐ（ｘ，ｔ；ｙ）＋（ｘ，ｔ；ｙ）；２ｐ５ｔ５ｙ２５ｙ５５１５（２）ｐ（ｘ，ｔ；ｙ）＝－μ ｐ（ｘ，ｔ；ｙ）＋（ｘ，ｔ；ｙ）．２ｐ５ｔ５ｘ２５ｘ方程（５．３７）称为向后扩散方程，方程（５．３８）称为向前扩散方程．证　（１）用向后方法，即对Ｘ（ｈ）取条件，则ｐ（ｘ，ｔ；ｙ）＝Ｅ［Ｐ｛Ｘ（ｔ）＝ｘ｜Ｘ（０）＝ｙ，Ｘ（ｈ）｝］．由布朗运动的时齐性、马氏性Ｐ（Ｘ（ｔ）＝ｘ｜Ｘ（０）＝ｙ，Ｘ（ｈ）＝ｘ）ｈ＝Ｐ（Ｘ（ｔ－ｈ）＝ｘ｜Ｘ（０）＝ｘ），ｈ所以ｐ（ｘ，ｔ；ｙ）＝Ｅ［ｐ（ｘ，ｔ－ｈ；Ｘ（ｈ）］，
２
（５．３７）（５．３８）
１１２
其中期望是对Ｘ（ｈ）取的，Ｘ（ｈ）～Ｎ（μ ｈ＋ｙ，ｈ），将ｐ（ｘ，ｔ－ｈ；Ｘ（ｈ））在点（ｘ，ｔ；ｙ）处展开成泰勒级数，则５５ｐ（ｘ，ｔ；ｙ）＝Ｅｐ（ｘ，ｔ；ｙ）－ｈｐ（ｘ，ｘ；ｙ）＋（Ｘ（ｈ）－ｙ）ｐ（ｘ，ｔ；ｙ）５ｔ５ｙ　＋ｈ５（Ｘ（ｈ）－ｙ）５・２ｐ（ｘ，ｔ；ｙ）＋（ｘ，ｔ；ｙ）＋… ２ｐ２５ｔ２５ｙ
２２２２
５５＝ｐ（ｘ，ｔ；ｙ）－ｈｐ（ｘ，ｔ；ｙ）＋ μ ｈｐ（ｘ，ｔ；ｙ）５ｔ５ｙ　＋ｈ５２（ｘ，ｔ；ｙ）＋ｏ（ｈ）．２ｐ２５ｙ
两边除以ｈ并令ｈ→０，即得（５．３７）式．（２）用向前方法对Ｘ（ｔ－ｈ）取条件，由于　Ｐ（Ｘ（ｔ）＝ｘ｜Ｘ（０）＝ｙ，Ｘ（ｔ－ｈ）＝ａ）＝Ｐ（Ｘ（ｈ）＝ｘ｜Ｘ（０）＝ａ）＝Ｐ（Ｗ＝ｘ－ａ），其中Ｗ～Ｎ（ μ ｈ，ｈ）．记Ｗ的概率密度为ｆｘ），则Ｗ（　　　　ｐ（ｘ，ｔ；ｙ）＝ｆＷ（ｘ－ａ）ｐ（ａ，ｔ－ｈ；ｙ）ｄｙ＝（ｘ，ｔ；ｙ）＋（ａ－ｘ）ｐ（ｘ，ｔ；ｙ）－ｈｐ（ｘ，ｔ；ｙ） ∫ｐ５ｔ５ｔ５５
２１２５　＋（ａ－ｘ）２ｐ（ｘ，ｔ；ｙ）＋… ｆｘ－ａ）ｄａＷ（２５ｘ
５５＝ｐ（ｘ，ｔ；ｙ）－ μ ｈｐ（ｘ，ｔ；ｙ）－ｈｐ（ｘ，ｔ；ｙ）５ｘ５ｔ　＋ｈ５（ｘ，ｔ；ｙ）＋ｏ（ｈ）．２ｐ２５ｘ

２
两边除以ｈ并令ｈ→０，即得（５．３８）式．应用中，若我们对马尔可夫过程Ｘ（ｔ）的极限分布感兴趣，通常利用向前方程；若我们对首达时间分布感兴趣，则利用向后方程，即对最初ｈ时间发生的事件取条件．例５．１０（保险理论中的破产问题）　假设到时刻ｔ某家保险公司收到的赔偿要求的次数Ｎ（ｔ）是速率为 λ的泊松过程，且相应的要求赔偿的金额是独立同分布的，其分布函数为Ｇ（ｘ）．若保险公司的初始资本为ｘ，且以每单位时间１元的常数速率收到保险金．求保险公司永远有偿还能力的概率．解　设Ｙｉ＝１， …，Ｎ（ｔ），则保险公司永远有ｉ是第ｉ个要求赔偿的金额数，偿还能力的概率为
Ｎ（ｔ）
Ｒ（ｘ）＝Ｐｘ＋ｔ－６Ｙ对一切ｔ．ｉ＞０，
ｉ＝１
习　题　五
１１３
为了得到Ｒ（ｘ）的微分方程，我们用向后方法，对最初ｈ时间发生的事件取条件．若无赔偿要求，则公司的资产为ｘ＋ｈ，而若有一个赔偿要求，则公司的资产为ｘ＋ｈ－Ｙ．因此Ｒ（ｘ）＝Ｒ（ｘ＋ｈ）（１－λ ｈ）＋Ｅ［Ｒ（ｘ＋ｈ－ｙ）］ λ ｈ＋ｏ（ｈ），所以Ｒ（ｘ＋ｈ）－Ｒ（ｘ）ｏ（ｈ）＝λ Ｒ（ｘ＋ｈ）－λ Ｅ［Ｒ（ｘ＋ｈ－Ｙ）］＋．ｈｈ令ｈ→０得Ｒ ′ （ｘ）＝λ Ｒ（ｘ）－λ Ｅ［Ｒ（ｘ－Ｙ）］或Ｒ ′ （ｘ）＝λ Ｒ（ｘ）－λ 有时可解出Ｒ．（ｘ－ｙ）ｄＧ（ｙ）． ∫Ｒ
０ｘ
习　题　五
５．１　设连续时间马尔可夫链｛Ｘ（ｔ），ｔ ≥０｝具有转移概率 λ ｈ＋ｏ（ｈ），ｉｐ（ｈ）＝ｉｊ０，ｏ（ｈ），ｊ＝ｉ＋１，
１－λ ｈ＋ｏ（ｈ），ｊ＝ｉ，ｉｊ＝ｉ－１，｜ｊ－ｉ｜≥２，
其中 λ Ｘ（ｔ）表示一个生物群体在时刻ｔ的成员总数．求科尔莫戈罗夫方程，转移概ｉ是正数，率ｐ（ｔ）．（提示：利用以下结果，若ｇ ′ （ｔ）＋ｋｇ（ｔ）＝ｈ（ｔ），ｋ为实数，ｈ（ｔ）为连续函数，ａ≤ｔｉｊ ≤ｂ，则ｇ（ｔ）＝ｅ

ａｔ
－ｋ（ｔ－ｓ）
ｈ（ｓ）ｄｓ＋ｇ（ａ）ｅ
－ｋ（ｔ－ａ）
．）
５．２　一质点在１，２，３点上作随机游动．若在时刻ｔ质点位于这三个点之一，则在［ｔ，ｔ＋ｈ）内，它以概率１ｈ＋ｏ（ｈ）分别转移到其它两点之一．试求质点随机游动的科尔莫戈罗夫方２
程，转移概率ｐ（ｔ）及平稳分布．ｉｊ５．３　设某车间有Ｍ台车床，由于各种原因车床时而工作，时而停止．假设时刻ｔ，一台正在工作的车床，在时刻ｔ＋ｈ停止工作的概率为 μ ｈ＋ｏ（ｈ），而时刻ｔ不工作的车床，在时刻ｔ＋ｈ开始工作的概率为λ ｈ＋ｏ（ｈ），且各车床工作情况是相互独立的．若Ｎ（ｔ）表示时刻ｔ正在工作的车床数，求（１）齐次马尔可夫过程｛Ｎ（ｔ），ｔ ≥ ０｝的平稳分布；（２）若Ｍ＝１０， λ ＝６０， μ＝３０，系统处于平稳状态时有一半以上车床在工作的概率．５．４　排队问题．设有一服务台，［０，ｔ）内到达服务台的顾客数是服从泊松分布的随机变量，即顾客流是泊松过程．单位时间到达服务台的平均人数为 λ ．服务台只有一个服务员，对顾客的服务时间是按指数分布的随机变量，平均服务时间为１／μ ．如果服务台空闲时到达的
１１４
顾客立即接受服务；如果顾客到达时服务员正在为另一顾客服务，则他必须排队等候；如果顾客到达时发现已经有两人在等候，则他就离开而不再回来．设Ｘ（ｔ）代表在ｔ时刻系统内的顾客人数（包括正在被服务的顾客和排队等候的顾客），该人数就是系统所处的状态．于是这个系统的状态空间为Ｉ＝｛０，１，２，３｝；又设在ｔ＝０时系统处于状态０，即服务员空闲着．求过程的Ｑ矩阵及ｔ时刻系统处于状态ｊ的绝对概率ｐ（ｔ）所满足的微分方程．ｊ５．５　一条电路供ｍ个焊工用电，每个焊工均是间断用电．现作如下假设：（１）若一焊工在ｔ时用电，而在（ｔ，ｔ＋Δ ｔ）内停止用电的概率为 μ Δ ｔ＋ｏ（ Δ ｔ）；（２）若一焊工有ｔ时没有用电，而在（ｔ，ｔ＋Δ ｔ）内用电的概率为 λ Δ ｔ＋ｏ（ Δｔ）．每焊工的工作情况是相互独立的．设Ｘ（ｔ）表示在ｔ时正在用电的焊工数．（１）求该过程的状态空间和Ｑ矩阵；（２）设Ｘ（０）＝０，求绝对概率ｐ（ｔ）满足的微分方程；ｊ（３）当ｔ →∞ 时，求极限分布ｐｊ．５．６　设［０，ｔ］内到达的顾客数是参数为 λ的齐次泊松过程．假设有单个服务员，服务时间为指数分布的排队系统（Ｍ／Ｍ／１），平均服务时间为１／μ．试证明：（１）在服务员的服务时间内到达顾客的平均数为 λ ／μ ；（２）在服务员的服务时间内无顾客到达的概率为 μ ／（λ ＋μ ）．５．７　设Ｂ（ｔ）是始于０的标准布朗运动，对任意常数 α，计算Ｐ（Ｂ（１）＜ α ，Ｂ（２）＞０）．５．８　设｛Ｂ（ｔ），ｔ ≥０｝是标准布朗运动，Ｘ（ｔ）＝ｔＢｔ ≥０｝是标准布朗运动．１，ｔ＞０，Ｘ（０）＝０，证明｛Ｘ（ｔ），ｔ
第六章　平稳随机过程
§ ６．１　平稳过程的概念与例子
在第二章§２．４中我们介绍了严平稳过程与宽平稳过程的概念．在自然科学、工程技术中经常遇到这类过程，例如纺织过程中棉纱横截面积的变化，导弹在飞行中受到湍流影响产生的随机波动，军舰在海浪中的颠簸，通讯中的干扰噪声等等．它们都可用平稳过程描述．这类过程一方面受随机因素的影响产生随机波动，同时又有一定的惯性，使在不同时刻的波动特性基本保持不变．其统计特性是，当过程随时间的变化而产生随机波动时，其前后状态是相互联系的，且这种联系不随时间的推延而改变．由于严平稳过程的统计特征是由有限维分布函数来决定的，在应用中比较难以确定，而宽平稳过程的判别只涉及一、二阶矩的确定，在实际中比较容易获得，因此，我们主要研究宽平稳过程．这种仅研究与过程一、二阶矩有关性质的理论，这就是所谓相关理论．对于正态过程，由于其宽平稳性与严平稳性是等价的，故用相关理论研究它显得特别方便．本书后面涉及的主要是宽平稳过程，我们简称它为平稳过程．例６．１　设｛Ｘｎ＝０， ±１， ±２， …｝是实的互不相关随机变量序列，且ｎ，Ｅ［Ｘｎ］＝０，Ｄ［Ｘ］＝σ ．试讨论随机序列的平稳性．ｎ解　因为Ｅ［Ｘｎ］＝０及ＲＸ（ｎ，ｎ－τ ）＝Ｅ［Ｘ］＝ｎＸｎ－ τ
２ σ ， τ ＝０，２
０， τ ≠０，
其中 τ为整数，故随机序列的均值为常数，相关函数仅与 τ有关，因此它是平稳随机序列．在物理和工程技术中，称上述随机序列为白噪声．它普遍存在于各类波动现象中，如电子发射波的波动，通讯设备中电流或电压的波动等．这是一种较简单的随机干扰的数学模型．
１１６
例６．２　设｛Ｚｎ＝０， ±１， ±２， …｝为复随机序列，且Ｅ［Ｚ］＝０，Ｅ［Ｚｎ，ｎｎＺｍ］

∞
＝σδ ，６
２ｎｎｍ
σ ω （ｎ＝０， ±１， ± ２， …）为实数序列．对于每一个ｔ，可以ｎ＜∞，ｎＺｅｎ在均方意义（见§６．３）下收敛．令ｎ

∞ ｉω ｔ
ｎ＝－ ∞ ∞
证明级数
ｎ＝－ ∞
Ｘ（ｔ）＝
ｎ＝－ ∞
Ｚｅｎ．ｎ
ｉω ｔ
利用随机变量级数均方收敛性质，可以推得
∞
Ｅ［Ｘ（ｔ）］＝ＥＥ［Ｘ（ｔ）Ｘ（ｔ－τ ）］＝Ｅ
∞
ｎ＝－ ∞ ∞ ∞
Ｚｅｎ＝０，ｎＺｅｎｎ
２ｉω τ ｉω ｔ
ｉω ｔ
ｎ＝－∞
ｍ＝－ ∞ ∞
Ｚｍｅｍ
ｉω （ｔ－τ ）
＝所以Ｘ（ｔ）为平稳过程．
ｎ＝－ ∞
σ ｅｎ＝ｎ
ｎ＝－ ∞
Ｅ［｜Ｚ｜］ｅｎ，ｎ
ｉω τ
物理上，ｃｏｓ（ω ｔ），ｓｉｎ（ω ｔ）或ｅ都是描述简谐振动的，Ｕｏｓ（ω ），ｎｃｎｔ
ｉω ｔｎ都可以看作是具有随机振幅的简谐振动．Ｖｎｓｉｎ（ω ｔ）或ｅ上述例题说明，若不ｎ
ｉω ｔ
同频率的随机振幅互不相关，则这种简谐振动的有限项甚至无限项的叠加（只要它是均方收敛的）都是平稳过程，而且它们的相关函数亦有类似的分解，即可以表示为与随机振动具有相同频率成分的简谐振动之和，其振幅为相应的随机振幅的方差．例６．３　设随机过程｛Ｎ（ｔ），ｔ ≥０｝是具有参数 λ的泊松过程．
图６．１
随机过程｛Ｘ（ｔ），ｔ ≥ ０｝定义为：若随机点在［０，ｔ］内出现偶数次（０也看作偶数），则Ｘ（ｔ）＝１；若出现奇数次，则Ｘ（ｔ）＝－１，如图６．１所示．（１）讨论随机过程Ｘ（ｔ）的平稳性；（２）设随机变量Ｖ具有概率分布
１１７
Ｐ｛Ｖ＝１｝＝Ｐ｛Ｖ＝－１｝＝１／２，且Ｖ与Ｘ（ｔ）独立，令Ｙ（ｔ）＝ＶＸ（ｔ），试讨论随机过程Ｙ（ｔ）的平稳性．解　（１）由于随机点Ｎ（ｔ）是具有参数 λ的泊松过程，在［０，ｔ］内随机点出现ｋ次的概率（ λ ｔ）－λ ｔＰ（ｔ）＝ｅ，ｋ＝０，１，２， …，ｋｋ！故Ｐ｛Ｘ（ｔ）＝１｝＝Ｐ（ｔ）＋Ｐｔ）＋Ｐｔ）＋… ０２（４（＝ｅ
－λ ｔ２４（ λ ｔ）（λ ｔ）１＋＋＋… ２！４！ｋ
－λ ｔ＝ｅｃｈ（ λ ｔ），
Ｐ｛Ｘ（ｔ）＝－１｝＝Ｐｔ）＋Ｐ（ｔ）＋Ｐ（ｔ）＋… １（３５＝ｅ
－λ ｔ３５（ λ ｔ）（ λ ｔ） λ ｔ＋＋＋… ３！５！
－λ ｔ＝ｅｓｈ（ λ ｔ），
于是
－λ ｔ－λ ｔｍＸ（ｔ）＝Ｅ［Ｘ（ｔ）］＝１・ｅｃｈ（ λ ｔ）－１・ｅｓｈ（ λ ｔ）
＝ｅ［ｃｈ（ λ ｔ）－ｓｈ（ λ ｔ）］＝ｅ・ｅ＝ｅ
－λ ｔ－λ ｔ－２ λ ｔ
－λ ｔ
为了求Ｘ（ｔ）的相关函数，先求Ｘ（ｔＸ（ｔ１），２）的联合分布　Ｐ｛Ｘ（ｔＸ（ｔ＝ｘ１）＝ｘ１，２）２｝＝Ｐ｛Ｘ（ｔ｜Ｘ（ｔ＝ｘＰ｛Ｘ（ｔ２）＝ｘ２１）１｝１）＝ｘ１｝，其中ｘ（ｉ＝１，２）．ｉ＝－１或１由上式知，需求Ｐ｛Ｘ（ｔ｝和Ｐ｛Ｘ（ｔＸ（ｔ）＝ｘ１）＝ｘ１２）＝ｘ２｜１１｝．设ｔ令 τ＝ｔ因为事件｛Ｘ（ｔＸ（ｔ｝等价于事件２＞ｔ１，２－ｔ１，１）＝１，２）＝１｛Ｘ（ｔ且在（ｔｔ］内随机点出现偶数次｝．由假设知，在Ｘ（ｔ１）＝１，１，２１）＝１的条件下，在区间（ｔｔ０， τ ］内随机点出现偶１，２］内随机点出现偶数次的概率与在区间（数次的概率相等，故Ｐ｛Ｘ（ｔ）＝１｜Ｘ（ｔ＝１｝＝ｅｃｈ（ λ τ ），２１）由于Ｐ｛Ｘ（ｔ）＝１｝＝ｅ１所以
－ λ ｔ－λ τ １ｃＰ｛Ｘ（ｔＸ（ｔ）＝１｝＝ｅｈ（ λ ｔｅｃｈ（ λ τ ）．１）＝１，２１）－λ ｔ１－λ τ
ｃｈ（ λ ｔ），１
类似可得
１１８

－λ ｔ－ λτ １ｓＰ｛Ｘ（ｔＸ（ｔ）＝－１｝＝ｅｈ（ λ ｔｅｃｈ（ λ τ ），１）＝－１，２１）ｔ－λ τ １Ｐ｛Ｘ（ｔＸ（ｔ）＝１｝＝ｅ－ λ ｓｈ（λ ｔ）ｅｓｈ（λ τ ），１）＝－１，２１
Ｐ｛Ｘ（ｔ）＝１，Ｘ（ｔ＝－１｝＝ｅ１２）因此
－λ ｔ１
ｃｈ（ λ ｔｅｓｈ（ λ τ ），１）
－λ τ
ＲＸ（ｔｔ［Ｘ（ｔ）Ｘ（ｔ］１，２）＝Ｅ１２）
－λ ｔ－λ τ １＝１・１・ｅｃｈ（ λ ｔｅｃｈ（ λ τ ）１）
　＋（－１）・（－１）ｅ　＋（－１）・１・ｅ　＋１・（－１）ｅ

－λ ｔ１－λ ｔ１
－λ ｔ１
ｓｈ（ λ ｔｅｃｈ（ λ τ ）１）
－λ τ －λ τ
－λ τ
ｓｈ（ λ ｔ）ｅｓｈ（ λ τ ）１
ｃｈ（ λ ｔｅｓｈ（ λ τ ）１）
－λ （ｔ＋ τ ）１＝ｅ［ｃｈ（ τ －ｔ） λ－ｓｈ（ τ －ｔ λ ］１１）－λ （ｔ＋ τ ）－λ １＝ｅｅ（τ－ｔ１）
＝ｅ当ｔ同理可得２＜ｔ１时，
－２λ ｔ
＝ｅ
－２ λ （ｔ－ｔ）２１
２λ （ｔ－ｔ）２λ τ ２１＝ｅ，ＲＸ（ｔｔ）＝ｅ１，２
故对于任意ｔｔ有１，２，ＲＸ（ｔｔ）＝ｅ１，２由于ｍＸ（ｔ）＝ｅ

－２λ ｔ－２ λ ｜ｔ－ｔ｜２１
＝ｅ
－２λ ｜τ ｜
与时间ｔ有关，故Ｘ（ｔ）不是平稳过程．值得注意的是非
２
平稳过程的相关函数也可以与时间的起点无关．（２）由于Ｅ［Ｖ］＝０，Ｅ［Ｖ］＝１，故由Ｖ与Ｘ（ｔ）独立知Ｅ［Ｙ（ｔ）］＝Ｅ［Ｖ］Ｅ［Ｘ（ｔ）］＝０，ＲＹ（ｔ，ｔ－τ ）＝Ｅ［Ｖ］Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）］＝ｅ

－２ λ ｜τ ｜２
＝ＲＹ（ τ ），
所以Ｙ（ｔ）是平稳过程，其相关函数ＲＹ（ τ ）如图６．２所示．
图６．２
例６．４　设有状态连续、时间离散的随机过程Ｘ（ｔ）＝ｓｉｎ（２ πΘ ｔ），其中 Θ 是（０，１）上均匀分布的随机变量，ｔ只取整数值１，２， …，试讨论随机过程Ｘ（ｔ）的
１１９
平稳性．解　因为Ｅ［Ｘ（ｔ）］＝Ｅ［ｓｉｎ（２ πΘ ｔ）］＝
＋∞
ｓｉｎ（２ π θ ｔ）ｆ（ θ ）ｄ θ ＝
－∞
ｉｎ（２ π θ ｔ）ｄ θ ＝０， ∫ｓ
０
Ｒ（ｔ，ｔ－τ ）＝Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）］Ｘ＝ｉｎ（２ π θ ｔ）ｓｉｎ［２ π θ （ｔ－τ ）］ｄ θ ∫ｓ
０１
＝＝
１２
ｃｏｓ（２ π τ θ ）－ｃｏｓ［２ π （２ｔ－τ ） θ ］］ｄ θ ∫［
０
１／２， τ ＝０，０， τ ≠０，
所以Ｘ（ｔ）是平稳过程．现在我们用此例说明宽平稳过程不一定是严平稳过程．事实上，令ｔ＝ｔ１，由于状态Ｘ（ｔ）＝ｘ即１１对应两个 θ值，ａｒｃｓｉｎｘ π－ａｒｃｓｉｎｘ１１ θ ， θ ，１＝２＝２ π ｔ２ π ｔ１１于是可得随机过程的一维概率密度为ｆ（ｔｘ（ θ ）１；１）＝ｆ１ｄ θ ｄ θ １２＋ｆ（ θ ２）ｄｘｄｘ１１
１＝．２ π ｔ１－ｘ１１可见Ｘ（ｔ）的一维概率密度与时间ｔ有关，故Ｘ（ｔ）只是宽平稳过程，而不是严平稳过程．例６．５　设Ｘ（ｔ）＝Ｘｆ（ｔ）为复随机过程，其中Ｘ是均值为０的实随机变量，ｆ（ｔ）是ｔ的确定函数．试证Ｘ（ｔ）是平稳过程的充要条件是ｆ（ｔ）＝ｃｅ其中ｉ＝－１，ｃ， ω ， θ为常数．ｍＸ（ｔ）＝Ｅ［Ｘ（ｔ）］＝Ｅ［Ｘｆ（ｔ）］＝０，由于　　ＲＸ（ｔ，ｔ－τ ）＝Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）］＝Ｅ［Ｘ］ｃｅ所以Ｘ（ｔ）是平稳过程．必要性：设Ｘ（ｔ）是平稳过程，则
２ＲＸ（ｔ，ｔ－ｘ）＝Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）］＝Ｅ［Ｘ］ｆ（ｔ）ｆ（ｔ－τ ）．２２ｉ（ω ｔ＋ θ ）ｉ（ω ｔ＋ θ ）２证　充分性：令ｆ（ｔ）＝ｃｅ，记Ｄ［Ｘ］＝σ ，因为Ｅ［Ｘ］＝０，故ｉ（ω ｔ＋ θ ）
－ｉ［ω （ｔ－ τ ）＋ θ ］
＝ｃ σｅ，
２ｉω τ
１２０
上式必须与ｔ无关，取τ ＝０，有｜ｆ（ｔ）｜＝ｃ（常数），因此ｆ（ｔ）＝ｃｅ

ｉφ （ｔ）２２
，其中 φ （ｔ）为实函数，于是
２
ｆ（ｔ）ｆ（ｔ－τ ）＝ｃｅｘｐ［ｉ（φ （ｔ）－φ （ｔ－τ ））］．上式应与ｔ无关，故ｄ［φ （ｔ）－φ （ｔ－τ ）］＝０，ｄｔｄφ （ｔ）ｄφ （ｔ－τ ）即＝对一切τ成立，于是ｄｔｄｔ φ （ｔ）＝ ω ｔ＋θ ，故证毕．ｆ（ｔ）＝ｃｅ

ｉ（ω ｔ＋θ ）
§ ６．２　联合平稳过程及相关函数的性质
一、联合平稳过程
对于两个平稳过程的联合分布和数字特征的讨论，可以用类似于第二章的方法．下面我们主要讨论两个平稳过程的联合平稳问题．如图６．３所示，若将两个平稳过程Ｘ（ｔ）和Ｙ（ｔ）同时输入加法器中，考虑加法器的输出随机过程Ｗ（ｔ）＝Ｘ（ｔ）＋Ｙ（ｔ）是否平稳的问题．
图６．３
首先分析输出过程要求的平稳条件，由　Ｅ［Ｗ（ｔ）Ｗ（ｔ－τ ）］＝Ｅ｛［Ｘ（ｔ）＋Ｙ（ｔ）］［Ｘ（ｔ－τ ）＋Ｙ（ｔ－τ ）］｝＝Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）＋Ｙ（ｔ）Ｙ（ｔ－τ ）　＋Ｘ（ｔ）Ｙ（ｔ－τ ）＋Ｙ（ｔ）Ｘ（ｔ－τ ）］＝Ｒ（ τ ）＋ＲＹ（ τ ）＋Ｅ［Ｘ（ｔ）Ｙ（ｔ－τ ）］＋Ｅ［Ｙ（ｔ）Ｘ（ｔ－τ ）］．Ｘ上式最后两项是Ｘ（ｔ）和Ｙ（ｔ）的互相关函数，一般情况下，它们与ｔ有关，为使
§ ６．２　联合平稳过程及相关函数的性质
１２１
输出过程Ｗ（ｔ）是平稳过程，必须要求输入的两个平稳过程Ｘ（ｔ）和Ｙ（ｔ）的互相关函数与ｔ无关．定义６．１　设｛Ｘ（ｔ），ｔ ∈Ｔ｝和｛Ｙ（ｔ），ｔ ∈Ｔ｝是两个平稳过程，若它们的互相关函数Ｅ［Ｘ（ｔ）Ｙ（ｔ－τ ）］及Ｅ［Ｙ（ｔ）Ｘ（ｔ－τ ）］仅与 τ有关，而与ｔ无关，则称Ｘ（ｔ）和Ｙ（ｔ）是联合平稳随机过程．由定义有ＲＸＹ（ｔ，ｔ－τ ）＝Ｅ［Ｘ（ｔ）Ｙ（ｔ－τ ）］＝ＲＸＹ（ τ ），ＲＹＸ（ｔ，ｔ－τ ）＝Ｅ［Ｙ（ｔ）Ｘ（ｔ－τ ）］＝ＲＹＸ（ τ ）．当两个平稳过程Ｘ（ｔ），Ｙ（ｔ）是联合平稳时，则它们的和Ｗ（ｔ）是平稳过程，此时有Ｅ［Ｗ（ｔ）Ｗ（ｔ－τ ）］＝ＲＸ（ τ ）＋ＲＹ（ τ ）＋Ｒ τ ）＋ＲＹＸ（ τ ）＝ＲＷ（ τ ）．ＸＹ（
二、相关函数的性质
定理６．１　设｛Ｘ（ｔ），ｔ ∈Ｔ｝为平稳过程，则其相关函数ＲＸ（ τ ）具有下列性质：（１）Ｒ０） ≥０；Ｘ（（２）Ｒ τ ）＝ＲＸ（－τ ）；Ｘ（（３）｜Ｒ（ τ ）｜≤ Ｒ０）；ＸＸ（（４）Ｒ τ ）是非负定的，即对任意实数ｔｔ …，ｔａ …，ａ有Ｘ（１，２，ｎ及复数ａ１，２，ｎ，
ｎ
ｉ，ｊ＝１
ＲＸ（ｔｔ）ａａｉ，ｊｉｊ ≥０；（５）若Ｘ（ｔ）是周期为Ｔ的周期函数，即Ｘ（ｔ）＝Ｘ（ｔ＋Ｔ），则ＲＸ（τ ）＝
ＲＸ（ τ＋Ｔ）；（６）若Ｘ（ｔ）是不含周期分量的非周期过程，当｜τ ｜→ ∞ 时，Ｘ（ｔ）与Ｘ（ｔ＋τ ）相互独立，则

｜τ ｜→ ∞
ｌｉｍＲＸ（ τ ）＝ｍＸｍＸ．
证　由平稳过程相关函数的定义，得
２（１）Ｒ０）＝Ｅ［Ｘ（ｔ）Ｘ（ｔ）］＝Ｅ［｜Ｘ（ｔ）｜］≥０．Ｘ（
（２）Ｒ τ ）＝Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）］Ｘ（＝Ｅ［Ｘ（ｔ－τ ）Ｘ（ｔ）］＝ＲＸ（－τ ）；对于实平稳过程，由于ＲＸ（ τ ）为实数，故ＲＸ（－τ ）＝ＲＸ（ τ ），即实平稳过程的相关函数是偶函数．（３）由施瓦茨不等式有｜Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）］｜ ≤［Ｅ｜Ｘ（ｔ）Ｘ（ｔ－τ ）｜］
２２
１２２
２２ ≤Ｅ［｜Ｘ（ｔ）｜］Ｅ［｜Ｘ（ｔ－τ ）｜］，
｜ＲＸ（ τ ）｜ ≤［Ｒ（０）］，Ｘ｜ＲＸ（ τ ）｜ ≤Ｒ（０）．Ｘ（４）第二章定理２．２已证．（５）Ｒ τ ＋Ｔ）＝Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ －Ｔ）］Ｘ（＝Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）］＝ＲＸ（ τ ）．（６）ｌｉｍＲ τ ）＝ｌｉｍＥ［Ｘ（ｔ）Ｘ（ｔ－τ ）］Ｘ（

｜τ ｜→ ∞ ｜τ ｜→ ∞
＝ｌｉｍＥ［Ｘ（ｔ）］Ｅ［Ｘ（ｔ－τ ）＝ｍＸｍＸ．
｜τ ｜→ ∞
类似地，联合平稳过程Ｘ（ｔ）和Ｙ（ｔ）的互相关函数有下列性质：（１）｜Ｒ τ ）｜ ≤Ｒ０）ＲＹ（０），｜Ｒ τ ）｜ ≤Ｒ０）ＲＹ（０）；ＸＹ（Ｘ（ＹＸ（Ｘ（（２）Ｒ）＝ＲＹＸ（ τ ）．ＸＹ（－ τ 证　（１）由施瓦茨不等式，有｜ＲＸＹ（ τ ）｜＝｜Ｅ［Ｘ（ｔ）Ｙ（ｔ－τ ）］｜ ≤［Ｅ｜Ｘ（ｔ）Ｙ（ｔ－τ ）｜］
２２２２２ ≤Ｅ［｜Ｘ（ｔ）｜］Ｅ［｜Ｙ（ｔ－τ ）｜］＝Ｒ０）Ｒ０）．Ｘ（Ｙ（２２
（２）Ｒ）＝Ｅ［Ｘ（ｔ－τ ）Ｙ（ｔ）］ＸＹ（－ τ ＝Ｅ［Ｙ（ｔ）Ｘ（ｔ－τ ）］＝Ｒ τ ）．ＹＸ（当Ｘ（ｔ），Ｙ（ｔ）是实联合平稳相关过程时，（２）变成ＲＸＹ（－τ ）＝ＲＹＸ（ τ ）．这表明ＲＸＹ（ τ ）与ＲＹＸ（ τ ）在一般情况下是不相等的，且它们不是 τ的偶函数．例６．６　设Ｘ（ｔ）＝Ａｓｉｎ（ω ｔ＋Θ ），Ｙ（ｔ）＝Ｂｓｉｎ（ω ｔ＋ Θ－ φ ）为两个平稳过程，其中Ａ，Ｂ， ω为常数， Θ 在（０，２ π ）上服从均匀分布．求ＲＸＹ（ τ ）和ＲＹＸ（ τ ）．解　ＲＸＹ（ τ ）＝Ｅ［Ｘ（ｔ）Ｙ（ｔ－τ ）］＝Ｅ［Ａｓｉｎ（ ω ｔ＋Θ ）Ｂｓｉｎ（ω ｔ－ω τ ＋Θ－φ ）］＝
２π
∫
０
１ＡＢｓｉｎ（ω ｔ＋θ ）ｓｉｎ（ω ｔ－ω τ ＋θ －φ ）ｄ θ ２ π
２π ０
ＡＢ２ π
ｉｎ（ω ｔ＋θ ）［ｓｉｎ（ω ｔ＋θ ）ｃｏｓ（ω τ ＋φ ） ∫ｓ
　－ｃｏｓ（ω ｔ＋θ ）ｓｉｎ（ω τ ＋φ ）］ｄ θ ＝同理可得ＲＹＸ（ τ ）＝１ＡＢｃｏｓ（ω τ －φ ）．２１ＡＢｃｏｓ（ω τ ＋φ ）．２
§ ６．３　随机分析
１２３
在普通函数的微积分中，连续、导数和积分等概念都是建立在极限概念的基础上．对于随机过程的研究，也需要建立随机过程的连续性、导数和积分等概念，而且这些概念都是建立在随机序列极限的基础上，有关这部分内容统称为随机分析．在随机分析中，随机序列极限的定义有多种，下面简单介绍几种常用的定义．由于我们主要研究宽平稳过程，故以下的随机过程都假定为二阶矩过程．
一、收敛性概念
由微积分知，若对于任给 ε ＞０，都存在正整数Ｎ，使对一切ｎ＞Ｎ，恒有不等式｜ｘ｜＜ε ｎ－ａ成立，则称序列｛ｘ｝以ａ为极限，记作ｌｉｍｘ．ｎｎ＝ａ
ｎ→ ∞
（６．１）
对于概率空间（Ω，Ｆ，Ｐ）上的随机序列｛Ｘｎ｝，每个试验结果ｅ都对应一序列Ｘ（ｅ），Ｘｅ）， …，Ｘ（ｅ）， …，１２（ｎ（６．２）故随机序列｛Ｘｎ｝实际上代表一族（６．２）式的序列，故不能用（６．１）式定义整个族的收敛性．如果（６．２）式对每个ｅ都收敛，则称随机序列｛Ｘｎ｝处处收敛，即满足ｌｉｍＸ，ｎ＝Ｘ
ｎ→ ∞
其中Ｘ为随机变量．上面这种收敛定义太苛求了．下面介绍随机序列在较弱意义下的收敛定义，它们不一定要求对每个ｅ都收敛．定义６．２　称二阶矩随机序列｛Ｘｎ（ｅ）｝以概率１收敛于二阶矩随机变量Ｘ（ｅ），若使ｌｉｍＸ（ｅ）＝Ｘ（ｅ）ｎ

ｎ→ ∞
成立的ｅ的集合的概率为１，即Ｐ｛ｅ：ｌｉｍＸｎ（ｅ）＝Ｘ（ｅ）｝＝１，

ｎ→ ∞
或称｛Ｘｎ（ｅ）｝几乎处处收敛于Ｘ（ｅ），记作ＸｎＸ（ｅ），若对于任给 ε ＞０，有
ａ．ｅ．
Ｘ．
定义６．３　称二阶矩随机序列｛Ｘｅ）｝依概率收敛于二阶矩随机变量ｎ（ｌｉｍＰ｛｜Ｘ（ｅ）－Ｘ（ｅ）｜≥ε ｝＝０，ｎ

ｎ→ ∞
记作Ｘｎ
Ｘ．
１２４
定义６．４　设有二阶矩随机序列｛Ｘｎ｝和二阶矩随机变量Ｘ，若有
２ｌｉｍＥ［｜Ｘ｜］＝０ｎ－Ｘｎ→ ∞
（６．３）
成立，则称｛Ｘ｝均方收敛于Ｘ，记作Ｘｎｎ（６．３）式的极限常写成
ｍ．ｓ
Ｘ．
ｌ．ｉ．ｍＸ．ｉ．ｍＸｎ＝Ｘｎ＝Ｘ或ｌ
ｎ→ ∞
（ｌ．ｉ．ｍ是ｌｉｍｉｔｉｎｍｅａｎ的缩写）．定义６．５　称二阶矩随机序列｛Ｘ依分布收敛于二阶矩随机变量Ｘ，若ｎ｝｛Ｘｎ｝相应的分布函数列｛Ｆ（ｘ）｝，在Ｘ的分布函数Ｆ（ｘ）的每一个连续点处，有ｎｌｉｍＦ（ｘ）＝Ｆ（ｘ），ｎ

ｎ→ ∞
记作Ｘｎ
Ｘ．
ｍ．ｓＰＰｄ
对于以上四种收敛定义进行比较，有下列关系：（１）若Ｘｎ（２）若Ｘｎ（３）若ＸｎＸ，则ＸｎＸ，则ＸｎＸ；Ｘ；Ｘ，
ａ．ｅ．Ｐ
Ｘ，则Ｘｎ
如图６．４所示．
图６．４
下面给出（１）和（２）的证明（（３）参阅［３］）．证　（１）由切比雪夫不等式得Ｐ｛｜Ｘ｜≥ε ｝≤ ｎ－Ｘ

２ｎ→ ∞ ２Ｅ［｜Ｘ｜］ｎ－Ｘ，２ ε
若有ｌｉｍＥ［｜Ｘ｜］＝０，则对任给 ε ＞０，有ｎ－ＸｌｉｍＰ｛｜Ｘ｜≥ε ｝＝０．ｎ－Ｘ

ｎ→ ∞
（２）由Ｐ｛ｌｉｍＸｎ＝Ｘ｝＝１，故
ｎ→ ∞
１２５
ｌｉｍＰ｛｜Ｘｎ－Ｘ｜→０｝＝１．
ｎ→ ∞
因此，对任给 ε ＞０，有ｌｉｍＰ｛｜Ｘ｜＜ε ｝＝１即ｌｉｍＰ｛｜Ｘ｜≥ε ｝＝０．ｎ－Ｘｎ－Ｘ

ｎ→ ∞ ｎ→ ∞
证毕．值得注意，在四种收敛定义中，均方收敛是最简单的收敛形式，它只涉及单独一个序列．下面我们讨论随机序列的收敛性，都是指均方收敛．定理６．２　二阶矩随机序列｛Ｘ｝收敛于二阶矩随机变量Ｘ的充要条件为ｎ
ｎ，ｍ → ∞ ２ｌｉｍＥ［｜Ｘｎ－Ｘｍ｜］＝０．
证明略．定理６．３　设｛Ｘ｝，｛Ｙ｝，｛Ｚ｝都是二阶矩随机序列，Ｕ为二阶矩随机变ｎｎｎ量，｛ｃａ，ｂ，ｃ为常数．令ｌ．ｉ．ｍＸ，ｌ．ｉ．ｍＹｎ＝Ｙ，ｌ．ｉ．ｍＺｎ｝为常数序列，ｎ＝Ｘｎ＝Ｚ，ｌｉｍｃ，则ｎ＝ｃ

ｎ→ ∞
（１）ｌ．ｉ．ｍｃｉｍｃ；ｎ＝ｌｎ＝ｃ
ｎ→ ∞
（２）ｌ．ｉ．ｍＵ＝Ｕ；（３）ｌ．ｉ．ｍ（ｃ）＝ｃＵ；ｎＵ（４）ｌ．ｉ．ｍ（ａＸｎ＋ｂＹ＝ａＸ＋ｂＹ；ｎ）（５）ｌｉｍＥ［Ｘ］＝Ｅ［Ｘ］＝Ｅ［ｌ．ｉ．ｍＸ］；ｎｎ
ｎ→ ∞
（６）ｌｉｍＥ［Ｘ［ＸＹ］＝Ｅ［（ｌ．ｉ．ｍＸｎ）（ｌ．ｉ．ｍＹｍ）］，ｎＹｍ］＝Ｅ

ｎ，ｍ → ∞
特别有
２２２ｌｉｍＥ［｜Ｘｎ｜］＝Ｅ［｜Ｘ｜］＝Ｅ［｜ｌ．ｉ．ｍＸ｜］．ｎｎ→ ∞
证　（１），（２），（３）由均方收敛定义可以得证．（４）因为当ｎ→∞时，有　Ｅ［｜ａＸｎ＋ｂＹｎ－（ａＸ＋ｂＹ）｜］

２＝Ｅ［｜ａ（Ｘｎ－Ｘ）＋ｂ（Ｙ）｜］ｎ－Ｙ２２２２２
≤２ａＥ［｜Ｘｎ－Ｘ｜］＋２ｂＥ［｜Ｙ｜］→０．ｎ－Ｙ由均方收敛定义知（４）得证．（５）由施瓦茨不等式，有（Ｅ［｜Ｙ｜］）＝（Ｅ｜Ｙ・１｜） ≤Ｅ［｜Ｙ｜］・１，令Ｙ＝Ｘ，代入上式，得ｎ－Ｘ０≤｜Ｅ［Ｘ］－Ｅ［Ｘ］｜＝｜Ｅ［Ｘ］｜ｎｎ－Ｘ ≤Ｅ［｜Ｘ｜］→０（当ｎ→∞），ｎ－Ｘ所以ｌｉｍＥ［Ｘ］＝Ｅ［Ｘ］＝Ｅ［ｌ．ｉ．ｍＸｎ］．ｎ
ｎ→ ∞ ｎ→ ∞ ２２２２２２
１２６
（６）由施瓦茨不等式，有　｜Ｅ［ＸｎＹｍ］－Ｅ［ＸＹ］｜＝｜Ｅ（ＸｎＹｍ－ＸＹ）｜＝｜Ｅ［（Ｘ）（Ｙｍ－Ｙ）＋ＸＸＹ］｜ｎ－ＸｎＹ＋ＸＹｍ－２＝｜Ｅ［（Ｘ）（Ｙｍ－Ｙ）］＋Ｅ［（Ｘｎ－Ｘ）Ｙ］＋Ｅ［（Ｙｍ－Ｙ）Ｘ］｜ｎ－Ｘ ≤｜Ｅ［Ｘｎ－Ｘ］［Ｙｍ－Ｙ］｜＋｜Ｅ［Ｘ］Ｙ｜＋｜Ｅ［Ｙｍ－Ｙ］Ｘ｜ｎ－Ｘ ≤
２２Ｅ｜Ｘ｜Ｅ｜Ｙｍ－Ｙ｜＋ｎ－Ｘ２２Ｅ｜Ｘ｜Ｅ｜Ｙ｜ｎ－Ｘ
　＋所以
２２Ｅ｜Ｙｍ－Ｙ｜Ｅ｜Ｘ｜ →０　（当ｎ，ｍ→∞），
ｎ，ｍ → ∞
ｌｉｍＥ［Ｘ［ＸＹ］．ｎＹｍ］＝Ｅ
定理６．３的（２）和（４）式与普通极限相似，（５）式和（６）式表明极限运算和求数学期望运算可以交换顺序．定理６．４　设｛Ｘｎ｝为二阶矩随机序列，则｛Ｘ｝均方收敛的充要条件为下列ｎ极限存在：
ｎ，ｍ → ∞
ｌｉｍＥ［ＸｎＸｍ］．
２
证　必要性由定理６．３之（６）易知．现在证充分性．设

ｎ，ｍ → ∞
ｌｉｍＥ［Ｘ｜Ｘ｜＝ｃ，ｎＸｍ］＝Ｅ
２２２Ｅ｜Ｘ［｜Ｘ｜－ＸｎＸＸｍ｜］ｎ－Ｘｍ｜＝Ｅｎｍ－ＸｎＸｍ＋｜
＝Ｅ｜Ｘｎ｜－ＥＸｎＸｍ－ＥＸ｜Ｘｍ｜，ｎＸｍ＋ＥｌｉｍＥ｜Ｘｎ－Ｘｍ｜＝ｃ－２ｃ＋ｃ＝０，

ｎ，ｍ → ∞ ２
根据定理６．２知｛Ｘ均方收敛，证毕．ｎ｝以上讨论了具有二阶矩的随机序列均方极限的性质．对于一般的二阶矩过程｛Ｘ（ｔ），ｔ ∈Ｔ｝，可以类似地定义它的均方极限，且有类似的均方极限性质，不再重述．
二、均方连续
下面在讨论随机过程｛Ｘ（ｔ），ｔ ∈Ｔ｝的均方连续、导数、积分等概念中，假定｛Ｘ（ｔ），ｔ ∈Ｔ｝是二阶矩过程，参数集Ｔ为直线上的一个有限区间（可以为无穷区间）．定义６．６　设有二阶矩过程｛Ｘ（ｔ），ｔ ∈Ｔ｝，若对每一个ｔ ∈ Ｔ，有ｌｉｍＥ［｜Ｘ（ｔ＋ｈ）－Ｘ（ｔ）｜］＝０，
ｈ→ ０２
则称Ｘ（ｔ）在ｔ点均方连续，记作ｌ．ｉ．ｍＸ（ｔ＋ｈ）＝Ｘ（ｔ）．若对Ｔ中一切点都均
ｈ→ ０
方连续，则称Ｘ（ｔ）在Ｔ上均方连续．
１２７
考虑到　Ｅ［｜Ｘ（ｔ＋ｈ）－Ｘ（ｔ）｜］＝ＲＸ（ｔ＋ｈ，ｔ＋ｈ）－ＲＸ（ｔ，ｔ＋ｈ）－ＲＸ（ｔ＋ｈ，ｔ）＋Ｒｔ，ｔ），Ｘ（续性密切相关，故有定理６．５（均方连续准则）　二阶矩过程｛Ｘ（ｔ），ｔ ∈Ｔ｝在ｔ点均方连续的充要条件为相关函数ＲＸ（ｔｔ）在点（ｔ，ｔ）处连续．１，２证　必要性：若ｌ．ｉ．ｍＸ（ｔ＋ｈ）＝Ｘ（ｔ），则由定理６．３之（６）得
ｈ →０２
（６．４）
因此，随机过程Ｘ（ｔ）在点ｔ处的连续性与相关函数ＲＸ（ｔｔｔ１，２）在ｔ１，２处的连
ｌｉｍＲＸ（ｔｔｉｍＥ［Ｘ（ｔ）Ｘ（ｔ］１，２）＝ｌ１２）
ｔ →ｔ１ｔ →ｔ２ｔ →ｔ１ｔ →ｔ２
＝Ｅ［Ｘ（ｔ）Ｘ（ｔ）］＝ＲＸ（ｔ，ｔ）．充分性：若ＲＸ（ｔｔｔ，ｔ）处连续，令（６．４）式的ｈ→０取极限即可得１，２）在点（证，证毕．推论　若相关函数ＲＸ（ｔｔ）在｛（ｔ，ｔ），ｔ ∈Ｔ｝上连续，则它在Ｔ× Ｔ上连１，２续．证　若ＲＸ（ｔｔ）在｛（ｔ，ｔ），ｔ ∈Ｔ｝上连续，则由定理６．５知Ｘ（ｔ）在Ｔ上１，２均方连续，故ｌ．ｉ．ｍＸ（ｓ）＝Ｘ（ｔ），ｌ．ｉ．ｍＸ（ｓ）＝Ｘ（ｔ）．１２
ｓ→ ｔ１ｓ→ ｔ２
再由定理６．３之（６），得ｌｉｍＲＸ（ｓ，ｔ）＝ｌｉｍＥ［Ｘ（ｓ）Ｘ（ｔ）］

ｓ→ ｔ１ｓ→ ｔ２ｓ→ ｔ１ｓ→ ｔ２
＝Ｅ［Ｘ（ｔ）Ｘ（ｔ］＝ＲＸ（ｔｔ），１２）１，２知Ｒｔｔ）在Ｔ× Ｔ上连续，证毕．Ｘ（１，２定理６．５说明，二阶矩过程在Ｔ上均方连续性与它的相关函数在Ｔ× Ｔ上的连续性等价，而相关函数在Ｔ× Ｔ上的连续性又等价于它在对角线｛（ｔ，ｔ），ｔ ∈Ｔ｝上的连续性．例６．７　证明参数为 λ的泊松过程｛Ｘ（ｔ），ｔ＞０｝是均方连续的．证　由泊松过程的性质知，Ｘ（ｔ）在（ｔ，ｔ）处的相关函数ＲＸ（ｔ，ｔ）＝λ ｔ＋λｔ是ｔ的连续函数．故由定理６．５知｛Ｘ（ｔ），ｔ＞０｝是均方连续的．值得注意的是泊松过程几乎所有的样本轨道不是ｔ的连续函数，因此随机过程的均方连续不能导致样本轨道的连续．
２２
三、均方导数
定义６．７　设｛Ｘ（ｔ），ｔ ∈Ｔ｝为二阶矩过程，若存在另一个随机过程Ｘ ′ （ｔ），
１２８
满足ｌｉｍＥ
ｈ→ ０
Ｘ（ｔ＋ｈ）－Ｘ（ｔ）－Ｘ ′ （ｔ）＝０，ｈ
则称Ｘ（ｔ）在ｔ点均方可微，记作ｄＸ（ｔ）Ｘ（ｔ＋ｈ）－Ｘ（ｔ）Ｘ ′ （ｔ）＝＝ｌ．ｉ．ｍ，ｈ→ ０ｄｔｈ并称Ｘ ′ （ｔ）为Ｘ（ｔ）在ｔ点的均方导数．若Ｘ（ｔ）在Ｔ上每一点ｔ均方可微，则称它在Ｔ上均方可微．类似地，若随机过程｛Ｘ ′ （ｔ），ｔ ∈Ｔ｝在ｔ点均方可微，则称Ｘ（ｔ）在ｔ点二次均方可微．Ｘ ′ （ｔ）的均方导数记为ｄＸＸ ″ （ｔ）　或２，ｄｔ并称它为二阶矩过程Ｘ（ｔ）的二阶均方导数．同理可定义更高阶均方导数．为了叙述均方可微准则，我们把相关函数ＲＸ（ｔｔ：１，２）的如下极限（若存在）ｌｉｍ
ｈ →０１ｈ →０２２
ＲＸ（ｔｔ－ＲＸ（ｔｔ）Ｒｔｔ）－ＲＸ（ｔｔ）１＋ｈ１，２＋ｈ２）１＋ｈ１，２Ｘ（１，２＋ｈ２１，２－ｈｈ１ｈ２１ｈ２
称为ＲＸ（ｔｔ）在点（ｔｔ）的广义二阶导数，记作１，２１，２５２ＲＸ（ｔｔ１，２）．５ｔ５ｔ１２定理６．６（均方可微准则）　二阶矩过程｛Ｘ（ｔ），ｔ ∈Ｔ｝在ｔ点均方可微的充要条件为相关函数ＲＸ（ｔｔ）在点（ｔ，ｔ）的广义二阶导数存在．１，２证　由定理６．４知，Ｘ（ｔ）在ｔ点均方可微的充要条件为ｌｉｍ
ｈ →０１ｈ →０２
Ｘ（ｔ＋ｈ（ｔ）１）－Ｘｈ１
Ｘ（ｔ＋ｈ）－Ｘ（ｔ）２ｈ２
存在．将上式展开得ｌｉｍ
ｈ →０１ｈ →０２
ＲＸ（ｔ＋ｈｔ＋ｈ）－Ｒｔ＋ｈｔ）－ＲＸ（ｔ，ｔ＋ｈ）ＲＸ（ｔ，ｔ）１，２Ｘ（１，２＋，ｈｈｈｈ１２１２
上式极限存在的充要条件为ＲＸ（ｔｔ）在点（ｔ，ｔ）的广义二阶导数存在，证毕．１，２推论１　二阶矩过程｛Ｘ（ｔ），ｔ ∈Ｔ｝在Ｔ上均方可微的充要条件为相关函数ＲＸ（ｔｔ（ｔ，ｔ），ｔ ∈Ｔ｝上每一点广义二阶可微．１，２）在｛ｄｍＸ（ｔ）推论２　若ＲＸ（ｔｔ）在｛（ｔ，ｔ），ｔ ∈Ｔ｝上每一点广义二阶可微，则１，２ｄｔ５５５在Ｔ上以及ＲＸ（ｔｔ），ＲＸ（ｔｔＲＸ（ｔｔ）在Ｔ× Ｔ上存在，１，２１，２），１，２５ｔ５ｔ５ｔ５ｔ１２１２且有
２
１２９
（１）
ｄｍＸ（ｔ）ｄＥ［Ｘ（ｔ）］＝＝Ｅ［Ｘ ′ （ｔ）］；ｄｔｄｔ
５Ｒｔｔ）５Ｘ（１，２（２）＝Ｅ［Ｘ（ｔ）Ｘ（ｔ］＝Ｅ［Ｘ ′ （ｔ）Ｘ（ｔ）］；１２）１２５ｔ５ｔ１１５Ｒｔｔ）５Ｘ（１，２（３）＝Ｅ［Ｘ（ｔ）Ｘ（ｔ］＝Ｅ［Ｘ（ｔ）Ｘ（ｔ） ′ ］；１２）１２５ｔ５ｔ２２５２ＲＸ（ｔｔ）５２ＲＸ（ｔｔ１，２１，２）（４）＝＝Ｅ［Ｘ ′ （ｔ）Ｘ（ｔ ′ ］．１２）５ｔ５ｔ５ｔ５ｔ１２２１证　（１）由推论１知Ｘ ′ （ｔ）存在，又由定理６．３之（５），有ｄｍＸ（ｔ）ｄＥ［Ｘ（ｔ）］＝ｄｔｄｔ＝ｌｉｍ

ｈ →０
Ｅ［Ｘ（ｔ＋ｈ）］－Ｅ［Ｘ（ｔ）］ｈＸ（ｔ＋ｈ）－Ｘ（ｔ）ｈＸ（ｔ＋ｈ）－Ｘ（ｔ）ｈ
＝ｌｉｍＥ
ｈ →０
＝Ｅｌ．ｉ．ｍ
ｈ →０
＝Ｅ［Ｘ ′ （ｔ）］．（２）由定理６．３之（６），有５５ＲＸ（ｔｔＥ［Ｘ（ｔ）Ｘ（ｔ］１，２）＝１２）５ｔ５ｔ１１＝ｌｉｍＥ

ｈ→ ０
Ｘ（ｔ）－Ｘ（ｔ）１＋ｈ１Ｘ（ｔ２）ｈＸ（ｔ）－Ｘ（ｔ）１＋ｈ１Ｘ（ｔ２）ｈ
＝Ｅｌ．ｉ．ｍ
ｈ →０
＝Ｅ［Ｘ ′ （ｔ）Ｘ（ｔ］．１２）其余各式类似可证，证毕．推论２表明数学期望运算与求导数运算可以交换顺序．此外，均方导数还有许多类似于普通函数导数的性质，如均方导数惟一性；Ｘ（ｔ）均方可微，则它均方连续；任一随机变量Ｘ（或常数）的均方导数为零；［ａＸ（ｔ）＋ｂＹ（ｔ）］ ′ ＝ａＸ ′ （ｔ）＋ｂＹ ′ （ｔ），其中ａ，ｂ为常数，等等．
２例６．８　设｛Ｘ（ｔ），ｔ ≥０｝是参数为 σ 的布朗运动，试证明
（１）Ｘ（ｔ）在（０， ∞）上均方连续；（２）对Ｐｔ＞０，Ｘ（ｔ）不是均方可导．证　（１）由定理２．３知｛Ｘ（ｔ），ｔ ≥０｝的相关函数ＲＸ（ｓ，ｔ）＝σ ｍｉｎ（ｓ，ｔ）．故对Ｐｔ＞０，ＲＸ（ｔ，ｔ）＝σ ｔ是ｔ的连续函数，由定理６．５知Ｘ（ｔ）在（０， ∞）上均
２２
１３０
方连续．（２）对Ｐｔ＞０，令０＜ｈ考虑极限１＜ｈ２，　ｌｉｍ

ｈ →０１ｈ →０２
ＲＸ（ｔ＋ｈｔ＋ｈｔ＋ｈｔ）－ＲＸ（ｔ，ｔ＋ｈ）＋Ｒｔｔ）１，２）－ＲＸ（１，２Ｘ（１，２ｈｈ１２

２２２２
＝ｌｉｍ
ｈ →０２
σ（ｔ＋ｈ）－σ ｔ－σｔ＋σｔ１＝∞．ｈｈｈ →０１２１
故ＲＸ（ｓ，ｔ）在（ｔ，ｔ）处不是广义二次可微，由定理６．６知Ｘ（ｔ）在ｔ处不是均方可微．此例说明，在概率１的意义下，对Ｐｔ＞０，布朗运动Ｘ（ｔ）在ｔ处是均方连续，但不是均方可微．
四、均方积分
设｛Ｘ（ｔ），ｔ ∈Ｔ｝为二阶矩过程，ｆ（ｔ）为普通函数，其中Ｔ＝［ａ，ｂ］．用一组分点将Ｔ划分如下：ａ＝ｔ，０＜ｔ１＜…＜ｔｎ＝ｂ记ｍａｘ｛（ｔ）｝＝Δ 作和式ｉ－ｔｉ－１ｎ，
１≤ ｉ≤ ｎｎ
Ｓｎ＝６
ｆ（ｔ ′ Ｘ（ｔ ′ （ｔｉ）ｉ）ｉ－ｔｉ－１），
ｉ＝１
其中ｔ ′ （ｉ＝１，２， …，ｎ）．ｉ－１ ≤ｔｉ ≤ｔｉ定义６．８　如果当 Δ Ｓ即ｎ →０时，ｎ均方收敛于Ｓ，ｌｉｍＥ｜Ｓ｜＝０，ｎ－Ｓ

Δ →０ｎ２
称为ｆ（ｔ）Ｘ（ｔ）在区间［ａ，ｂ］上均方可积，并记为Ｓ＝（ｔ）Ｘ（ｔ）ｄｔ＝ｌ．ｉ．ｍ６ ∫ｆ

ａ Δ →０ｎｂｎ
ｆ（ｔ ′ Ｘ（ｔ ′ （ｔ）．ｉ）ｉ）ｉ－ｔｉ－１
（６．５）
ｉ＝１
称（６．５）式为ｆ（ｔ）Ｘ（ｔ）在区间［ａ，ｂ］上的均方积分．定理６．７（均方可积准则）　ｆ（ｔ）Ｘ（ｔ）在区间［ａ，ｂ］上均方可积的充要条件为（ｔ）ｆ（ｔ）Ｒ（ｔ，ｔ）ｄｔｄｔ ∫ ∫ｆ

１２Ｘ１２１２ａａｂｂ
存在．特别地，二阶矩过程Ｘ（ｔ）在区间［ａ，ｂ］上均方可积的充要条件为ＲＸ（ｔｔ［ａ，ｂ］×［ａ，ｂ］上可积．１，２）在证明

［２］
略．
定理６．８　设ｆ（ｔ）Ｘ（ｔ）在区间［ａ，ｂ］上均方可积，则有
１３１
ｂ
（１）Ｅ
（ｔ）Ｘ（ｔ）ｄｔ＝（ｔ）Ｅ［Ｘ（ｔ）］ｄｔ，特别有 ∫ｆ ∫ｆ
ａａ
Ｅ
ｂ
∫
ａ１
Ｘ（ｔ）ｄｔ＝
ｂ１２
［Ｘ（ｔ）］ｄｔ； ∫Ｅ
ａ２２
（２）Ｅ　＝
（ｔ）Ｘ（ｔ）ｄｔ（ｔ）Ｘ（ｔ）ｄｔ ∫ｆ ∫ｆ
１ａａｂｂ１２Ｘ１２１２
（ｔ）ｆ（ｔ）Ｒ（ｔ，ｔ）ｄｔｄｔ． ∫∫ｆ
ａａ
特别有Ｅ
（ｔ）ｄｔ＝ｔ）ｄｔｄｔ． ∫Ｘ ∫ ∫ Ｒ（ｔ，
Ｘ１２１２ａａａ
证　（１）由定理６．３之（５），有Ｅ
∫
ａ
ｆ（ｔ）Ｘ（ｔ）ｄｔ＝Ｅｌ．ｉ．ｍ６
Δ →０ｎｎ
ｆ（ｔ ′ Ｘ（ｔ ′ （ｔ）ｉ）ｉ）ｉ－ｔｉ－１ｆ（ｔ ′ Ｘ（ｔ ′ （ｔｉ）ｉ）ｉ－ｔｉ－１）
ｉ＝１
＝ｌｉｍＥ
Δ →０ｎｎ
ｉ＝１
＝ｌｉｍ
ｂ
Δ →０ｉ＝１ｎ
ｆ（ｔ ′ Ｅ［Ｘ（ｔ ′ ］（ｔ）ｉ）ｉ）ｉ－ｔｉ－１
（ｔ）Ｅ［Ｘ（ｔ）］ｄｔ． ∫ｆ
ａ
类似地由定理６．３之（６）可证（２）式，证毕．定理６．８表明，若ｆ（ｔ）Ｘ（ｔ）均方可积，则数学期望和积分两种运算可以交换顺序．均方积分有类似于普通函数积分的许多性质，如Ｘ（ｔ）均方连续，则它均方可积；均方积分惟一性，对于ａ＜ｃ＜ｂ，有
∫
ａｂａ
ｆ（ｔ）Ｘ（ｔ）ｄｔ＝
∫
ａ
ｆ（ｔ）Ｘ（ｔ）ｄｔ＋
（ｔ）Ｘ（ｔ）ｄｔ； ∫ｆ
ｃｂ
若Ｘ（ｔ），Ｙ（ｔ）在区间［ａ，ｂ］上均方连续，则Ｘ（ｔ）＋β Ｙ（ｔ）］ｄｔ＝α ｔ）ｄｔ＋β ｔ）ｄｔ， ∫ ［α ∫ Ｘ（ ∫ Ｙ（

ａａｂ
其中 α ， β为常数，等等．定理６．９　设二阶矩过程｛Ｘ（ｔ），ｔ ∈Ｔ｝在区间［ａ，ｂ］上均方连续，则Ｙ（ｔ）＝（ τ ）ｄ τ 　（ａ ≤ｔ ≤ｂ） ∫Ｘ

ａｔ
在均方意义下存在，且随机过程｛Ｙ（ｔ），ｔ ∈Ｔ｝在区间［ａ，ｂ］上均方可微，且有Ｙ ′ （ｔ）＝Ｘ（ｔ）．证明略．推论　设Ｘ（ｔ）均方可微，且Ｘ ′ （ｔ）均方连续，则
１３２
Ｘ（ｔ）－Ｘ（ａ）＝特别有
′ （ｔ）ｄｔ， ∫Ｘ
ａ
（６．６）
Ｘ（ｂ）－Ｘ（ａ）＝
′ （ｔ）ｄｔ． ∫Ｘ
ａ
（６．６）式即相当于普通积分中的牛顿－莱布尼茨公式．例６．９　设｛Ｘ（ｔ），ｔ∈ Ｔ｝是实均方可微过程，求其导数过程（Ｘ ′ （ｔ），ｔ ∈Ｔ｝的协方差函数Ｂ（ｓ，ｔ）．Ｘ ′ 解　由（６．６）式，有ｍＸ（ｔ）－ｍＸ（ａ）＝ｓ）ｄｓ， ∫ｍ（

ａＸ ′ ｔ
ｄｍＸ（ｔ）＝ｍＸ′（ｔ），ｄｔ所以Ｂ（ｓ，ｔ）＝Ｅ［Ｘ ′ （ｓ）－ｍＸ′ （ｓ）］［Ｘ ′ （ｔ）－ｍＸ′（ｔ）］Ｘ ′ ＝Ｅ［Ｘ ′ （ｓ）Ｘ ′ （ｔ）］－ｍＸ′（ｓ）ｍＸ′（ｔ）＝ＲＸ′（ｓ，ｔ）－ｍＸ′（ｓ）ｍＸ′（ｔ）５＝［Ｒ（ｓ，ｔ）－ｍＸ（ｓ）ｍＸ（ｔ）］５ｓ５ｔＸ５＝Ｂ（ｓ，ｔ）．５ｓ５ｔＸ
２２
§ ６．４　平稳过程的各态历经性
平稳随机过程的统计特征完全由其前二阶矩函数确定．我们知道，对固定的时刻ｔ，均值函数和协方差函数是随机变量Ｘ（ｔ）的取值在样本空间 Ω 上的概率平均，是由Ｘ（ｔ）的分布函数确定，通常很难求得．实际中，如果我们已经得到一个较长时间的样本记录，是否可由此获得平稳过程的数字特征的充分依据，即按时间取平均来代替统计平均呢？为此，我们来回顾一下大数定律．设独立同分布的随机变量序列｛Ｘｎ＝１，２， … ｝，具有Ｅ［Ｘ］＝ｍ，Ｄ［Ｘｎ，ｎｎ］＝σ（ｎ＝１，２， …），则ｌｉｍＰ
Ｎ→ ∞ ２
１Ｘｋ－ｍ＜ ε ＝１．Ｎ６ｋ＝１
这里，若将随机序列｛Ｘｎ，ｎ＝１，２， …｝看作是具有离散参数的随机过程，则１Ｘ它随样本不同而变，是个ｋ为随机过程的样本函数按不同时刻取平均，Ｎ６ｋ＝１随机变量．而ｍ＝Ｅ［Ｘ］是随机过程的均值，即任意时刻的过程取值的统计平ｎ
Ｎ
１３３
均．大数定律表明，随时间ｎ的无限增长，随机过程的样本函数按时间平均以越来越大的概率近似于过程的统计平均．也就是说，只要观测的时间足够长，则随机过程的每个样本函数都能够“遍历”各种可能状态．随机过程的这种特性即谓遍历性或埃尔古德性，或叫各态历经性．根据随机过程的定义知，对于每一个固定的ｔ ∈ Ｔ，Ｘ（ｔ）为一个随机变量，Ｅ［Ｘ（ｔ）］＝ｍＸ（ｔ）即为统计平均；对于每一个固定的ｅ ∈ Ω，Ｘ（ｔ）即为普通的时间函数，若在Ｔ上对ｔ取平均，即得时间平均．定义６．９　设｛Ｘ（ｔ），－∞＜ｔ＜∞｝为均方连续的平稳过程，则分别称１〈Ｘ（ｔ）〉＝ｌ．ｉ．ｍＴＴ→ ∞ ２
Ｘ（ｔ）ｄｔ，Ｘ（ｔ）Ｘ（ｔ－τ ）ｄｔ
－ＴＴ
１〈Ｘ（ｔ）Ｘ（ｔ－τ ）〉＝ｌ．ｉ．ｍＴ→ ∞ ２Ｔ为该过程的时间均值和时间相关函数．
－Ｔ
定义６．１０　设｛Ｘ（ｔ），－ ∞ ＜ｔ＜ ∞｝是均方连续的平稳过程，若〈Ｘ（ｔ）〉

Ｐｒ．１
Ｅ［Ｘ（ｔ）］，即１ｌ．ｉ．ｍＴ→ ∞ ２Ｔ
Ｐｒ．１
－Ｔ
Ｘ（ｔ）ｄｔ＝ｍＸ
（６．７）
以概率１成立，则称该平稳过程的均值具有各态历经性．若〈Ｘ（ｔ）Ｘ（ｔ－τ ）〉Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）］，即

Ｔ
１ｌ．ｉ．ｍＴ→ ∞ ２Ｔ
Ｘ（ｔ）Ｘ（ｔ－τ ）ｄｔ＝ＲＸ（ τ ）．
（６．８）
－Ｔ
以概率１成立，则称该平稳过程的相关函数具有各态历经性．定义６．１１　如果均方连续的平稳过程｛Ｘ（ｔ），ｔ ∈Ｔ｝的均值和相关函数都具有各态历经性，则称该平稳过程为具有各态历经性或遍历性．从上面的讨论知，随机过程的时间平均是对给定的ｅ，样本函数对ｔ的积分值再取平均，显然积分值依赖于ｅ，故一般地，随机过程的时间平均是个随机变量．如果Ｘ（ｔ）是各态历经过程，则〈Ｘ（ｔ）〉和〈Ｘ（ｔ）Ｘ（ｔ－τ ）〉不再依赖ｅ，而是以概率１分别等于Ｅ［Ｘ（ｔ）］和Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）］．这一方面表明各态历经过程各样本函数的时间平均实际上可以认为是相同的，于是对随机过程的时间平均也可以由样本函数的时间平均来表示，且可以用任一个样本函数的时间平均代替随机过程的统计平均．另一方面也表明Ｅ［Ｘ（ｔ）］和Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）］必定与ｔ无关，即各态历经过程必是平稳过程．但是，平稳过程在什么条件下才具有各态历经性呢？下面先讨论平稳过程的均值具有遍历性的条件．定理６．１０　设｛Ｘ（ｔ），－ ∞＜ｔ＜ ∞｝是均方连续的平稳过程，则它的均值具有各态历经性的充要条件为
１３４
１ｌｉｍＴＴ→ ∞２
２Ｔ－２Ｔ
｜ τ ｜２１－［ＲＸ（ τ ）－｜ｍＸ｜］ｄ τ＝０．２Ｔ

Ｔ
（６．９）
证　因〈Ｘ（ｔ）〉是随机变量，先求它的均值和方差得１．ｉ．ｍＥ［〈Ｘ（ｔ）〉］＝Ｅｌ２Ｔ

Ｔ→ ∞
Ｘ（ｔ）ｄｔ
－Ｔ
１＝ｌｉｍＴ → ∞２Ｔ
Ｅ［Ｘ（ｔ）］ｄｔ＝ｍＸ，
－Ｔ
故随机变量〈Ｘ（ｔ）〉的均值为常数Ｅ［Ｘ（ｔ）］＝ｍＸ，由方差的性质知，若能证明Ｄ［〈Ｘ（ｔ）〉］＝０，则〈Ｘ（ｔ）〉以概率１等于Ｅ［Ｘ（ｔ）］．所以要证明Ｘ（ｔ）的均值具有各态历经性等价于证Ｄ［〈Ｘ（ｔ）〉］＝０．由于Ｄ［〈Ｘ（ｔ）〉］＝Ｅ［｜〈Ｘ（ｔ）〉｜］－｜ｍＸ｜，而１２Ｅ［｜〈Ｘ（ｔ）〉｜］＝Ｅｌ．ｉ．ｍＴＴ→ ∞ ２＝ｌｉｍＥ
Ｔ→ ∞ ２２
（６．１０）
２
∫
Ｔ－ＴＴ
Ｘ（ｔ）ｄｔ
－Ｔ
１２４Ｔ
Ｔ
∫
－Ｔ
Ｘ（ｔ）ｄｔ２２
２
Ｘ（ｔｄｔ１）１
１１２
－Ｔ
＝ｌｉｍ
１２Ｔ → ∞ ４Ｔ
［Ｘ（ｔ）Ｘ（ｔ）］ｄｔｄｔ ∫∫ Ｅ
－ＴＴＴ
１＝ｌｉｍ２Ｔ→ ∞４Ｔ
∫∫
－Ｔ
ＲＸ（ｔ）ｄｔｔ２－ｔ１１ｄ２．
－Ｔ
作变换 τ τ 变换的雅可比式为１＝ｔ１＋ｔ２，２＝ｔ２－ｔ１，５（ｔｔ１１，２）＝．５（ τ ， τ ）２１２在上述变换下，将正方形积分域Ｇ如图６．５所示．１变成菱形域Ｇ２，
图６．５
于是
１３５
１２Ｅ［｜〈Ｘ（ｔ）〉｜］＝ｌｉｍ２Ｔ → ∞４Ｔ１＝ｌｉｍ２Ｔ → ∞４Ｔ１＝ｌｉｍＴＴ → ∞２又因为故１２Ｔ
Ｇ２２Ｔ
１Ｒ（ τ）ｄ τ τ １ｄ２２Ｘ２
２Ｔ－｜τ ｜２－２Ｔ＋｜τ ｜２
∫∫
－２Ｔ２Ｔ－２Ｔ
１Ｒ（ τ）ｄ τ τ １ｄ２２Ｘ２
｜ τ ２｜ＲＸ（ τ ｄ τ ６．１１）２）１－２．（２Ｔ
２Ｔ
－２Ｔ
｜ τ ２｜ｄ τ １，１－２＝２Ｔ
－２Ｔ
１２｜ｍＸ｜＝２Ｔ１Ｄ［〈Ｘ（ｔ）〉］＝ｌｉｍＴ → ∞２Ｔ
２Ｔ
｜ τ ｜２２｜ｍＸ｜１－ｄ τ ２．２Ｔ
（６．１２）
将（６．１１）式和（６．１２）式代入（６．１０）式，得
２Ｔ
－２Ｔ
｜ τ ｜２１－［ＲＸ（ τ ）－｜ｍＸ｜］ｄ τ．（６．１３）２Ｔ
（６．１３）式等于零就是〈Ｘ（ｔ）〉以概率１等于Ｅ［Ｘ（ｔ）］＝ｍＸ的充要条件，证毕．当Ｘ（ｔ）为实均方连续平稳过程时，ＲＸ（ τ ）为偶函数，过程Ｘ（ｔ）的均值各态历经性的充要条件可写成ｌｉｍ１Ｔ→ ∞ Ｔ
∫
０
２Ｔ
｜ τ ｜２１－［ＲＸ（ τ ）－ｍＸ］ｄ τ ＝０．２Ｔ

２Ｔ－２Ｔ
（６．１４）
２由于Ｂ τ ）＝Ｒ（ τ ）－｜ｍＸ｜，故充要条件（６．９）式等价于Ｘ（Ｘ
１ｌｉｍＴＴ → ∞２（６．１４）式等价于ｌｉｍ１Ｔ→ ∞ Ｔ
∫ ∫
０
｜ τ ｜１－Ｂ（ τ ）ｄ τ ＝０．２ＴＸ｜ τ ｜１－Ｂ（ τ ）ｄ τ ＝０．２ＴＸ
４
２Ｔ
定理６．１１　设｛Ｘ（ｔ），－∞＜ｔ＜∞｝为均方连续的平稳过程，且Ｅ｜Ｘ（ｔ）｜＜∞，则其相关函数具有各态历经性的充要条件为１ｌｉｍＴＴ → ∞２其中Ｂ（ τ ［Ｘ（ｔ）Ｘ（ｔ－τ ）Ｘ（ｔ－τ ）Ｘ（ｔ－τ －τ ］．１）＝Ｅ１１）过程，且ｍＹ＝Ｅ［Ｙ（ｔ）］＝Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）］＝ＲＸ（ τ ），故Ｒ τ ）的各态历经性相当于Ｅ［Ｙ（ｔ）］的各态历经性．由于Ｘ（　　ＲＹ（ τ ）＝Ｅ［Ｙ（ｔ）Ｙ（ｔ－τ ）］１１＝Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ ）Ｘ（ｔ－τ Ｘ（ｔ－τ －τ ）］１）１
２Ｔ－２Ｔ
｜ τ ｜２１［Ｂ（ τ ）－｜ＲＸ（ τ ）｜］ｄ τ １－１１＝０，２Ｔ
（６．１５）
（６．１６）
证　对于固定的 τ ，记Ｙ（ｔ）＝Ｘ（ｔ）Ｘ（ｔ－τ ），则Ｙ（ｔ）为均方连续的平稳
１３６
＝Ｂ（ τ ），１故根据定理６．１０知定理６．１１得证．由于实际应用中只考虑定义在０≤ｔ＜∞上的均方连续的平稳过程，故定理６．１０和定理６．１１相应地可以写成下列形式．定理６．１２　对于均方连续平稳过程｛Ｘ（ｔ），０≤ｔ＜∞｝，等式１ｌ．ｉ．ｍＴ→ ∞ Ｔ以概率１成立的充要条件为１ｌｉｍＴ → ∞２Ｔ
∫
０
Ｘ（ｔ）ｄｔ＝ｍＸ
－Ｔ
｜ τ ｜１－Ｂ（ τ ）ｄ τ ＝０．ＴＸ τ Ｂ（ τ ）ｄ τ＝０．ＴＸ
４
若Ｘ（ｔ）为实平稳过程，则上式变为ｌｉｍ１Ｔ→ ∞ Ｔ
∫
０Ｔ
１－
定理６．１３　对于均方连续平稳过程｛Ｘ（ｔ），０≤ｔ＜∞｝，若Ｅ｜Ｘ（ｔ）｜＜∞，则等式１ｌ．ｉ．ｍＴ→ ∞ Ｔ以概率１成立的充要条件为｜ τ １｜２［Ｂ（ τ ｜ＲＸ（ τ ）｜］ｄ τ １－１）－１＝０，Ｔ其中Ｂ（ τ ）与（６．１６）式相同．１ｌｉｍ１Ｔ→ ∞ Ｔ
Ｔ
∫
０
Ｘ（ｔ）Ｘ（ｔ－τ ）ｄ τ ＝ＲＸ（ τ ）
－Ｔ
若Ｘ（ｔ）为实平稳过程，则上式变为ｌｉｍ１Ｔ→ ∞ Ｔ
∫
０
１－
τ １２［Ｂ（ τ －ＲＸ（ τ ）］ｄ τ ．１）１＝０Ｔ
例６．１０　考虑例６．３的随机电报信号过程Ｙ（ｔ）的均值的各态历经性．因

－２λ ｜τ ｜为它是实平稳过程，且Ｅ［Ｙ（ｔ）］＝０，ＲＹ（ τ ）＝ｅ，
ｌｉｍ
１Ｔ→ ∞ Ｔ
∫
０
２Ｔ
τ －２λ ｜τ ｜１－（ｅ－０）ｄ τ ＝０．２Ｔ
（６．１４）式成立，所以Ｙ（ｔ）是均值具有各态历经性的平稳过程．例６．１１　设有随机相位过程Ｘ（ｔ）＝ａｃｏｓ（ω ｔ＋Θ ），ａ， ω为常数， Θ 为（０，２ π ）上服从均匀分布的随机变量．问Ｘ（ｔ）是否为各态历经过程．解　因为Ｅ［Ｘ（ｔ）］＝ｃｏｓ（ω ｔ＋θ ）ｄ θ ＝０， ∫ａ２ π

０２π
ＲＸ（ｔ，ｔ－τ ）＝Ｅ［ａｃｏｓ（ω ｔ＋Θ ）ａｃｏｓ（ω ｔ－ω τ ＋Θ ）］＝
∫
０
２ π
ａｃｏｓ（ω ｔ＋θ ）ｃｏｓ（ω ｔ－ω τ ＋θ ）ｄ θ ２ π

２ａｃｏｓ（ ω τ ）＝ＲＸ（ τ ），２
１３７
＝１而　〈Ｘ（ｔ）〉＝ｌ．ｉ．ｍＴ→ ∞ ２Ｔ
ａｃｏｓ（ω ｔ＋Θ ）ｄｔ
－Ｔ
ａｓｉｎ（ω Ｔ＋ Θ ）－ｓｉｎ（－ ω Ｔ＋ Θ ）＝ｌ．ｉ．ｍ＝０，Ｔ ω Ｔ→ ∞ ２故有又因为１〈Ｘ（ｔ）Ｘ（ｔ－τ ）〉＝ｌ．ｉ．ｍＴ→ ∞ ２Ｔａ＝ｌ．ｉ．ｍＴＴ→ ∞ ２
２
〈Ｘ（ｔ）〉＝Ｅ［Ｘ（ｔ）］．
∫ ∫
ａｃｏｓ（ω ｔ＋Θ ）ｃｏｓ（ ω ｔ－ω τ ＋Θ ）ｄｔ１［ｃｏｓ（ω τ ）＋ｃｏｓ（２ω ｔ－ω τ ＋２Θ ）］ｄｔ２
－ＴＴ
－Ｔ
２ａ＝ｃｏｓ（ω τ ），２
故经的．
〈Ｘ（ｔ）Ｘ（ｔ－τ ）〉＝Ｒ τ ）．Ｘ（
过程Ｘ（ｔ）的均值和相关函数都具有各态历经性，所以随机相位过程是各态历例６．１２　讨论随机过程Ｘ（ｔ）＝Ｙ的各态历经性，其中Ｙ是方差不为零的随机变量．解　易知Ｘ（ｔ）＝Ｙ是平稳过程，事实上Ｅ［Ｘ（ｔ）］＝Ｅ［Ｙ］＝ｍＸ（常数），ＲＸ（ｔ，ｔ－τ ）＝Ｅ［Ｙ］＝Ｄ［Ｙ］＋ｍＸ（与ｔ无关）．但此过程不具有各态历经性，因为１〈Ｘ（ｔ）〉＝ｌ．ｉ．ｍＴ→ ∞ ２Ｔ
２２
Ｙｄｔ＝Ｙ，
－Ｔ
Ｙ非常数，不等于Ｅ［Ｘ（ｔ）］．所以Ｘ（ｔ）＝Ｙ的均值不具有各态历经性．类似可证其相关函数也不具有各态历经性．实际问题中，要严格验证平稳过程是否满足各态历经条件是比较困难的．但各态历经性定理的条件较宽，工程中所遇到的平稳过程大多数都能满足．各态历经定理的重要意义在于它从理论上给出如下的结论：一个实平稳过程，如果它是各态历经的，则可用任意一个样本函数的时间平均代替平稳过程的统计平均，即１ｍＸ＝ｌ．ｉ．ｍＴ→ ∞ Ｔ式：
Ｔ
∫
０
１ｘ（ｔ）ｄｔ，ＲＸ（ τ ）＝ｌ．ｉ．ｍＴ→ ∞ Ｔ
（ｔ）ｘ（ｔ＋τ ）ｄｔ． ∫ｘ
０
若样本函数ｘ（ｔ）只在有限区间［０，Ｔ］上给出，则对于实平稳过程有下列估计
１３８
＾＝１ｍＸ ≈ ｍＸＴ
（ｔ）ｄｔ， ∫ｘ
０Ｔ－τ
（６．１７）（６．１８）
１＾（ＲＸ（ τ ）≈ Ｒ）＝Ｘ τ Ｔ－τ ｔ ≤ Ｔ－τ．
∫
０
ｘ（ｔ）ｘ（ｔ＋τ ）ｄｔ．
（６．１８）式取积分区间［０，Ｔ－τ ］，是因为ｘ（ｔ＋τ ）只对ｔ＋τ≤ Ｔ为已知，即０≤ 实际计算中，一般不可能给出ｘ（ｔ）的表达式，通常采用模拟方法或数字方法来测量或计算（６．１７）式和（６．１８）式的估计值．现在扼要地介绍如下：（１）模拟相关分析仪这种仪器的功能是当输入样本函数时，在Ｘ－Ｙ记录仪上能自动描绘出自相关函数曲线．它的框图如图６．６所示．
图６．６
对于时间连续变化的信号Ｘ（ｔ）进行数字处理时，必须先对信号离散取值（也称采样）．一般是每隔定长的时间 Δ ｔ后，对Ｘ（ｔ）进行测量，从而获得Ｘ（ｔ）在ｔ Δ ｔ（ｋ＝０，１， …）的一系列数值ｘ（ｋ Δ ｔ）（ｋ＝０，１， …），如图６．７所ｋ＝ｋｋ＝ｘ示．但是， Δ ｔ取多长进行采样呢？一般地，采样的时间间隔的选择是这样的：对
图６．７
１３９
于非随机的确定信号ｘ（ｔ），当ｘ（ｔ）的傅氏变换Ｆ（ω ）只在频率域｜ω ｜≤ ω ｃ上不等于０，其它频率上均为０，则按采样定理，应取采样时间间隔 Δ ｔ不超过区间 π ／ ω 即当 Δ ｔ＜π ／ ω 理论上可以证明由采样值｛ｘ（ｋ Δ ｔ），ｋ＝０，１， …｝惟一地确ｃ，ｃ时，定信号ｘ（ｔ）．对于平稳过程，也有类似的结论．定理６．１４　设有确定信号ｘ（ｔ），Ｆ（ω ）是它的傅氏变换，若Ｆ（ω ）＝０，｜ ω ｜＞ω ｃ，则ｘ（ｔ）能由它在相等时间间隔 Δ ｔ＝
∞
π 上的采样值ｘ（ｋ Δ ｔ）完全惟一地复原，且 ω ｃ
ｘ（ｔ）＝
ｋ＝－ ∞
ｓｉｎ［ω （ｔ－ｋ Δ ｔ）］ｃｘ（ｋ Δ ｔ）． ω （ｔ－ｋ Δ ｔ）ｃ
定理６．１５　对于均方连续平稳过程｛Ｘ（ｔ），ｔ ∈Ｔ｝，若它的谱函数Ｆ（ω ）满足ｄＦ（ω ）＝０，｜ω ｜＞ω ｃ，若取 Δ ｔ＜ π ，则在均方意义下Ｘ（ｔ）可惟一地复原，且 ω ｃ

∞
Ｘ（ｔ）＝（２）数字方法
ｋ＝－ ∞
ｓｉｎ［ω （ｔ－ｋ Δ ｔ）］ｃＸ（ｋ Δ ｔ）． ω （ｔ－ｋ Δ ｔ）ｃＴ的小区间，然后在Ｎ
如图６．７所示，将区间［０，Ｔ］等分为Ｎ个长度为 Δ ｔ＝时刻ｔ－ｋ＝ｋ
１ Δ ｔ（ｋ＝１，２， …，Ｎ），对Ｘ（ｔ）取样，得Ｎ个测量值ｘ（ｔ）ｋ＝ｘｋ２
（ｋ＝１，２， …，Ｎ）．再将（６．１１）式和（６．１２）式的积分用近似和式代替，即得近似数字估计式＾＝１ｍＸＴ　　＾ＲＸ（ τ ）＝ ≈
∫
００
１１ｘ（ｔ）ｄｔ ≈ ６ｘ Δ ｔ＝６ｘ，Ｔｋ＝１ｋＮｋ＝１ｋｘ（ｔ）ｘ（ｔ＋τ ）ｄｔｘｘｔ＝ｋｋ＋ｒΔ １ｘｋｘｋ＋ｒＮ－ｒ６ｋ＝１

Ｎ－ｒ
１Ｔ－τ
Ｔ－ τ
１Ｔ－τ ｒ
Ｎ－ｒ
ｋ＝１
（ τ Δ ｔ，ｒ＝０，１， …，ｍ，ｍ＜Ｎ）．ｒ＝ｒ这个估计式算出相关函数的一系列近似值，就可以作出相关函数的近似图形，如图６．８所示．
１４０
图６．８
习　题　六
　　６．１　设有随机过程Ｘ（ｔ）＝ｃｏｓ（ω ｔ＋Θ ），其中 ω＞０为常数， Θ 是在区间（０，２ π ）上服从均匀分布的随机变量．问Ｘ（ｔ）是否为平稳过程．
２６．２　设有随机过程Ｘ（ｔ）＝Ａｃｏｓ（ π ｔ），其中Ａ是均值为零，方差为 σ 的正态随机变量．
求（１）Ｘ（１）和Ｘ（１／４）的概率密度；（２）Ｘ（ｔ）是否为平稳过程．６．３　设有随机过程Ｘ（ｔ）＝Ａｃｏｓ（ω ｔ＋Θ ），其中Ａ是服从瑞利分布的随机变量，其概率密度为ａａｘｐ－２，ａ＞０，２ｅ２ σ ｆ（ａ）＝ σ ０，ａ≤０， Θ是在（０，２ π ）上服从均匀分布且与Ａ相互独立的随机变量， ω为常数．问Ｘ（ｔ）是否为平稳过程（提示：若Ｘ与Ｙ是两个相互独立的随机变量，ｆ（ｘ）和ｇ（ｙ）是连续函数，则ｆ（Ｘ）和ｇ（Ｙ）也是相互独立的随机变量）．６．４　设有随机过程Ｘ（ｔ）＝ｆ（ｔ＋Θ ），其中ｆ（ｘ）是周期为Ｔ的实值连续函数， Θ 是在（０，Ｔ］上服从均匀分布的随机变量，证明Ｘ（ｔ）是平稳过程并求相关函数ＲＸ（ τ ）．６．５　设Ｘ（ｔ）和Ｙ（ｔ）为平稳过程，且相互独立．求Ｚ（ｔ）＝Ｘ（ｔ）Ｙ（ｔ）的相关函数，Ｚ（ｔ）是否为平稳过程．６．６　设Ｘ（ｔ）为实平稳过程，若存在Ｔ＞０，ＲＸ（Ｔ）＝ＲＸ（０），试证（１）它以概率１对所有ｔ有Ｘ（ｔ＋Ｔ）＝Ｘ（ｔ）成立；（２）对所有 τ ，有Ｒ τ ＋Ｔ）＝ＲＸ（ τ ），即随机过程的相关函数是具有周期Ｔ的周期函Ｘ（数．
２６．７　设随机过程Ｘ（ｔ）是二阶矩过程，即Ｅ［｜Ｘ（ｔ）｜］＜∞，均值Ｅ［Ｘ（ｔ）］＝α ＋β ｔ，协－λ ｜ｔ－ｔ｜１２．方差Ｂｔｔ）＝ｅ令Ｙ（ｔ）＝Ｘ（ｔ＋１）－Ｘ（ｔ），则Ｙ（ｔ）为平稳过程．求它的均值Ｘ（１，２２
习　题　六和相关函数．
１４１
６．８　设Ｘ（ｔ）是雷达的发射信号，遇到目标后返回接收机的微弱信号为ａＸ（ｔ－τ ），ａ１ｎ１， τ 由于接收到的信号伴有噪声，记噪声为Ｎ（ｔ），故接收到的全信号为１是信号返回时间．Ｙ（ｔ）＝ａＸ（ｔ－τ ）＋Ｎ（ｔ）．１（１）若Ｘ（ｔ）和Ｙ（ｔ）是单独且联合平稳过程，求互相关函数Ｒ τ ）；ＸＹ（（２）在（１）的条件下，假定Ｎ（ｔ）的均值为零，且与Ｘ（ｔ）是相互独立的，求Ｒ τ ）．ＸＹ（６．９　设｛Ｘｎ，ｎ＝０， ±１， ±２， …｝是具有零均值，方差为１的独立同分布的随机序列，令
ｋ
Ｙｎ＝
ａ（ｎ＝０， ±１， ±２， …），其中ａ试证｛Ｙｎ，ｎ＝０， ±１， ±２， …｝是平稳ｌＸｎ－ｌｌ为常数．
ｌ＝０
过程．６．１０　设｛Ｎ（ｔ），ｔ ≥０｝为泊松过程，令Ｘ（ｔ）＝Ｎ（ｔ＋Ｌ）－Ｎ（ｔ），其中Ｌ为正常数．若Ｎ（ｔ）表示某事件在区间（０，ｔ］内发生的次数，则Ｘ（ｔ）表示该事件在起点为ｔ，长为Ｌ的区间内发生的次数．求随机过程Ｘ（ｔ）的均值和协方差函数．６．１１　设｛Ｘ（ｔ），ｔ ≥０｝为维纳过程，令Ｙ（ｔ）＝平稳过程．６．１２　设Ｘ（ｔ）和Ｙ（ｔ）是具有均值为零、方差分别为 σＸ＝５， σ ０的两个平稳过程，Ｙ＝１且它们是联合平稳的，试说明下列函数是否为相关函数，为什么？
－２τ （１）ＲＸ（ τ ）＝６ｅ；　　　　　　（２）Ｒ τ ）＝５ｓｉｎ（５ τ ）；Ｘ（２－１（３）ＲＸＹ（ τ ）＝９（１＋２ τ ）；－｜τ ｜（４）Ｒ τ ）＝－ｅｃｏｓ（６τ ）；Ｙ（２２ｔ０
ｓ）ｄｓ，试判别｛Ｙ（ｔ），ｔ≥０｝是否为 ∫ Ｘ（
（５）ＲＹ（ τ ）＝５
ｓｉｎ（３ τ ）２；３ τ
（６）Ｒ τ ）＝６＋４Ｙ（
ｓｉｎτ ． τ
－｜τ ｜／２６．１３　设正态随机过程具有均值为零，相关函数为Ｒ τ ）＝６ｅ，求给定ｔ时随机变Ｘ（
量Ｘ（ｔ），Ｘ（ｔ＋１），Ｘ（ｔ＋２）和Ｘ（ｔ＋３）的协方差矩阵．６．１４　试证随机过程Ｘ（ｔ）＝Ｕｃｏｓ（ λ ｔ）＋Ｖｓｉｎ（ λ ｔ）（－∞＜ｔ＜∞）是平稳过程的充要条件为Ｕ和Ｖ是具有零均值、相同方差的互不相关的随机变量．６．１５　设随机过程Ｘ（ｔ）＝ａｃｏｓ（ ω ｔ＋φ ）和Ｙ（ｔ）＝ｂｓｉｎ（ω ｔ＋φ ）是单独且联合平稳随机过程，其中ａ，ｂ， ω为常数， φ 是在（０， π ）上服从均匀分布的随机变量．求ＲＸＹ（ τ ）和ＲＹＸ（τ ）．６．１６　设随机过程Ｘ（ｔ），Ｙ（ｔ）都不是平稳的，且Ｘ（ｔ）＝Ａ（ｔ）ｃｏｓｔ，Ｙ（ｔ）＝Ｂ（ｔ）ｓｉｎｔ，其中Ａ（ｔ）和Ｂ（ｔ）是均值为零的相互独立的平稳过程，它们有相同的相关函数．求证Ｚ（ｔ）＝Ｘ（ｔ）＋Ｙ（ｔ）是平稳过程．６．１７　验证复随机过程Ｚ（ｔ）＝ｅｘｐ［ｉ（ω ＋φ ）］的平稳性．其中 φ是在（０，２ π ）上均匀分０ｔ布的随机变量， ω ０为常数．６．１８　设Ｘｔ），Ｘｔ），Ｙ（ｔ）和Ｙ２（ｔ）都是零均值实随机过程，定义复随机过程１（２（１Ｚｔ）＝Ｘ（ｔ）＋ｉＹ１（ｔ），Ｚ（ｔ）＝Ｘ２（ｔ）＋ｉＹ（ｔ），１（１２２求下列情况下的Ｚ（ｔ）与Ｚ（ｔ）的相关函数：１２（１）所有实随机过程是相关的；（２）所有实随机过程互不相关．
１４２
６．１９　设Ｘ（ｔ）是具有相关函数为ＲＸ（ τ ）的平稳过程，令Ｙ＝

２ａ是实数．试证Ｅ［｜Ｙ｜］＝
∫
ａ
ａ＋Ｔ
Ｘ（ｔ）ｄｔ，其中Ｔ＞０，
｜）Ｒ（ τ ）ｄ τ ． ∫ （Ｔ－｜τ
－ＴＸ
６．２０　设Ｘ（ｔ）为平稳过程，Ｙ（ｔ）＝Ｘ（ｔ）ｃｏｓ（ ω ＋Φ ），Ｗ（ｔ）＝Ｘ（ｔ）ｃｏｓ［（ ω ）ｔ＋Φ ］，０ｔ０＋ω １ ω ω Φ是在（０，２ π ）上均匀分布的随机变量．试证Ｗ（ｔ）＋Ｙ（ｔ）是非平稳过程．０，１为常数，

２６．２１　设有随机过程Ｘ（ｔ）＝Ａｓｉｎ（ λ ｔ）＋Ｂｃｏｓ（ λ ｔ），其中Ａ，Ｂ是均值为零、方差为 σ 的
相互独立的正态随机变量．试问（１）Ｘ（ｔ）的均值是否各态历经的？

２（２）Ｘ（ｔ）的均方值Ｅ［Ｘ（ｔ）］是否各态历经的？
（３）若Ａ＝－２ σ ｓｉｎ Φ，Ｂ＝２σ ｃｏｓ Φ， Φ 是（０，２ π ）上服从均匀分布的随机变量，此时
２Ｅ［Ｘ（ｔ）］是否各态历经的？
６．２２　试验证第６．４题的随机相位过程Ｘ（ｔ）＝ｆ（ｔ＋Θ ）是各态历经的．
第七章　平稳过程的谱分析
平稳过程｛Ｘ（ｔ），ｔ ∈Ｔ｝的相关函数ＲＸ（ τ ）在时间域上描述过程的统计特征；为描述平稳过程在频域上的统计特征，需要引进谱密度的概念．本章主要讨论平稳过程的谱密度及相关函数Ｒ τ ）的谱分析．Ｘ（
§ ７．１　平稳过程的谱密度
谱密度的概念在平稳过程的理论和应用上都很重要，从数学上看，谱密度是相关函数的傅里叶变换，它的物理意义是功率谱密度．我们首先简要介绍普通时间函数ｘ（ｔ）的频谱、能谱密度的概念．设ｘ（ｔ）绝对可积，即
｜ｘ（ｔ）｜ｄｔ＜ ∞，则ｘ（ｔ）的傅里叶变换（傅氏变
－∞
换）存在，或者说ｘ（ｔ）具有频谱Ｆ（ω ）＝ｘ一般地，Ｆ（ω ）是复值函数，有ｘＦ（－ω ）＝ｘＦ（ω ）的傅氏反变换为ｘ１ｘ（ｔ）＝２ π 利用（７．１）式和（７．２）式，可得
∫
∞ －∞
ｘ（ｔ）ｅｄｔ．
－ｉω ｔ
（７．１）
－∞
ｘ（ｔ）ｅｄｔ＝Ｆ（ω ）．ｘ
ｉ ω ｔ
Ｆ（ω ）ｅｄω．ｘ
ｉω ｔ
（７．２）
－∞
∞ ２
ｘ（ｔ）ｄｔ＝
－∞
－∞
１ｘ（ｔ）２ π
∞ －∞ ∞
Ｆ（ω ）ｅｄω ｄｔｘ
∞
ｉω ｔ
－∞
１＝２ π １＝２ π 故
∫ ∫
Ｆ（ω ）ｘ
ｘ（ｔ）ｅｄｔｄω
ｉω ｔ
－∞
Ｆ（ω ）Ｆ ω ）ｄω，ｘｘ（
－∞
－∞
１２ｘ（ｔ）ｄｔ＝２ π
∞ ２｜Ｆ（ω ）｜ｄ ω．ｘ
（７．３）
－∞
１４４
（７．３）式称为帕塞瓦尔公式．若把ｘ（ｔ）看作是通过１Ω 电阻上的电流或电压，则左边的积分表示消耗在１ Ω 电阻上的总能量，故右边的被积函数｜Ｆ（ω ）｜相应地称为能谱密度．帕塞瓦尔公式即可看作总能量的谱表示式．ｘ实际问题中，大多数时间函数的总能量都是无限的，因而不能满足傅氏变换条件．为此我们考虑平均功率及功率密度．作一截尾函数ｘｔ）＝Ｔ（ｘ（ｔ），｜ｔ｜≤ Ｔ，０，｜ｔ｜＞Ｔ，
２
因为ｘｔ）有限，其傅氏变换存在，于是有Ｔ（Ｆ（ ω，Ｔ）＝ｘＦ（ω，Ｔ）的傅氏反变换为ｘ１ｘｔ）＝Ｔ（２ π 根据（７．３）式的帕塞瓦尔公式，有
∞ －ｉω ｔ
ｘｔ）ｅｄｔ＝Ｔ（
－∞
ｘｔ）ｅＴ（
－ｉ ω ｔ
ｄｔ，
－Ｔ
∞ ｉω ｔＦ（ω，Ｔ）ｅｄω．ｘ
－∞
∫
故
∞ ２
ｘＴ（ｔ）ｄｔ＝
－∞
２１ｘ（ｔ）ｄｔ＝２ π －Ｔ
∫
∞
｜Ｆ（ω，Ｔ）｜ｄω，ｘ
２｜Ｆ（ω，Ｔ）｜ｄω ｘ
－∞
１ｌｉｍＴ → ∞２Ｔ
１２ｘ（ｔ）ｄｔ＝ｌｉｍＴ → ∞４ πＴ－Ｔ１＝２ π
－∞
－∞
１２ｌｉｍ｜Ｆ（ω，Ｔ）｜ｄ ω．ｘＴ → ∞２Ｔ
显然，上式左边可以看作是ｘ（ｔ）消耗在１Ω 电阻上的平均功率，相应地，称右边的被积函数１２ｌｉｍ｜Ｆ（ω ，Ｔ）｜Ｔ → ∞２Ｔｘ为功率密度．以上讨论的是普通时间函数的频谱分析，对于随机过程｛Ｘ（ｔ），－∞＜ｔ＜∞｝可以作类似的分析．设Ｘ（ｔ）是均方连续随机过程，作截尾随机过程ＸＴ（ｔ）＝Ｘ（ｔ），｜ｔ｜≤ Ｔ，０，｜ｔ｜＞Ｔ．
因为ＸＴ（ｔ）均方可积，故存在傅氏变换ＦＸ（ω，Ｔ）＝
－ｉωｔＸＴ（ｔ）ｅｄｔ＝
－∞
∫
∞ －∞
Ｔ－ｉ ω ｔＸ（ｔ）ｅｄｔ．
（７．４）
－Ｔ
利用帕塞瓦尔公式及傅氏反变换，可得
２Ｘｔ）ｄｔ＝Ｔ（
－∞
－Ｔ
１２Ｘ（ｔ）ｄｔ＝２ π
２｜Ｆ ω，Ｔ）｜ｄ ω．Ｘ（
§ ７．１　平稳过程的谱密度
１４５
因为Ｘ（ｔ）是随机过程，故上式两边都是随机变量，要求取平均值．这时不仅要对时间区间［－Ｔ，Ｔ］取平均，还要求概率意义下的统计平均，于是有ｌｉｍＥ

Ｔ→ ∞
１Ｔ２１ ∞ １２Ｘ（ｔ）ｄｔ＝ｌｉｍＥ｜Ｆ ω，Ｔ）｜ｄω Ｘ（２Ｔ－Ｔ π －∞ ２ＴＴ→ ∞ ２
１＝２ π
－∞
１２ｌｉｍＥ［｜Ｆ ω，Ｔ）｜］ｄ ω．（７．５）Ｘ（Ｔ→ ∞２Ｔ
上式就是随机过程Ｘ（ｔ）的平均功率和功率密度关系的表达式．于是有定义７．１　设｛Ｘ（ｔ），－∞＜ｔ＜∞｝为均方连续随机过程，称 ψ ＝ｌｉｍＥ

Ｔ→ ∞ ２
１２Ｔ
Ｘ（ｔ）ｄｔ
（７．６）
－Ｔ
为Ｘ（ｔ）的平均功率．称１２ｓ（ω ）＝ｌｉｍＥ［｜Ｆ ω，Ｔ）｜］ＸＸ（ＴＴ→ ∞２为Ｘ（ｔ）的功率谱密度，简称谱密度．

２当Ｘ（ｔ）是均方连续平稳过程时，由于Ｅ［Ｘ（ｔ）］是与ｔ无关的常数，利用
（７．７）
均方积分性质可以将（７．６）式化简得　ψ ＝ｌｉｍＥ
Ｔ→ ∞ ２
１２Ｔ
Ｔ－Ｔ
Ｔ２Ｘ（ｔ）ｄｔ
－Ｔ
１＝ｌｉｍＴ → ∞２Ｔ
２２Ｅ［Ｘ（ｔ）］ｄｔ＝Ｅ［Ｘ（ｔ）］＝ＲＸ（０）．
（７．８）
由（７．８）式和（７．５）式看出，平稳过程的平均功率等于该过程的均方值，或等于它的谱密度在频域上的积分，即１２ ψ ＝２ π

∞
Ｓ ω ）ｄ ω．Ｘ（
（７．９）
－∞
（７．９）式是平稳过程Ｘ（ｔ）的平均功率的频谱展开式，ｓ ω ）描述了各种频率成Ｘ（分所具有的能量大小．例７．１　设有随机过程Ｘ（ｔ）＝ａｃｏｓ（ω ＋Θ ），ａ， ω 在下列情况０ｔ０为常数，下，求Ｘ（ｔ）的平均功率：（１） Θ是在（０，２ π ）上服从均匀分布的随机变量；（２） Θ是在（０， π ／２）上服从均匀分布的随机变量．ａ解　（１）此时随机过程Ｘ（ｔ）是平稳过程，且相关函数Ｒ τ ）＝ｃｏｓ（ω ）．Ｘ（０τ ２于是由（７．８）式得Ｘ（ｔ）的平均功率为 ψ ＝ＲＸ（０）＝ａ／２．（２）因为
２２２Ｅ［Ｘ（ｔ）］＝Ｅ［ａｃｏｓ（ω ＋Θ ）］０ｔ２２２
１４６

２２ａａ＋ｃｏｓ（２ω ＋２Θ ）０ｔ２２
＝Ｅ＝＝
２２ａａ＋２２２２
ｏｓ（２ω ｔ＋２ θ ）ｄ θ ∫ｃ π
００
π ／２
ａａ－ｓｉｎ（２ω ），０ｔ２ π
故此时Ｘ（ｔ）是非平稳过程．由（７．６）式得Ｘ（ｔ）的平均功率为１２　　ψ ＝ｌｉｍＴ→ ∞２Ｔ１＝ｌｉｍＴ→ ∞２Ｔ出以下结果．设｛Ｘｎ＝０， ±１， ±２， …｝为平稳随机序列，均值为零．若 τ只取离散值，ｎ，
∞
∫ ∫
Ｔ２Ｅ［Ｘ（ｔ）］ｄｔ２２２ａａａ－ｓｉｎ（２ω ）ｄｔ＝．０ｔ２ π ２
－ＴＴ
－Ｔ
以上讨论了平稳过程的谱密度，对于平稳随机序列的谱分析，我们类似地给
且相关函数ＲＸ（ τ ）满足
ｎ＝－ ∞ ∞
｜Ｒｎ）｜＜∞．当 ω在［－π， π ］上取值时，若Ｘ（
ｓ ω ）＝Ｘ（
ｎ＝－ ∞
－ｉｎω ＲＸ（ｎ）ｅ
（７．１０）
绝对一致收敛，则ｓ（ω ）是［－π ， π ］上的连续函数，且对上式取绝对值再积分，有Ｘ
∫
故
｜ｓ ω ）｜ｄ ω≤ Ｘ（
－π
ｎ＝－ ∞
｜ＲＸ（ｎ）｜
ｅ ∫｜
－π
－ｉｎ ω
｜ｄ ω＜∞，
－π
ｓ ω ）ｅｄω存在．于是（７．１０）式是以Ｘ（
ｉｎω
１ π ｉｎω ＲＸ（ｎ）＝ｓ（ω ）ｅｄω　（ｎ＝０， ±１， ±２， …）Ｘ２ π －π 为傅氏系数的ｓ ω ）的傅氏级数．Ｘ（
（７．１１）
定义７．２　设｛Ｘｎ＝０， ±１， ±２， …｝是平稳随机序列，若相关函数满足ｎ，

∞
ｎ＝－ ∞ ∞
｜ＲＸ（ｎ）｜＜∞，则称ｓ ω ）＝Ｘ（
ｎ＝－ ∞
Ｒ（ｎ）ｅＸ
－ｉｎ ω
　（－π≤ ω≤π ）
为｛Ｘｎ＝０， ±１， ±２， …｝的谱密度．ｎ，（７．１０）式与（７．１１）式给出了平稳随机序列的相关函数与谱密度之间的关系．
§ ７．２　谱密度的性质
对于平稳过程Ｘ（ｔ）的统计规律描述，第六章是从时域角度对相关函数
１４７
ＲＸ（ τ ）进行讨论，而在 §７．１中则从频域的角度对谱密度进行讨论．ＲＸ（τ ）和ｓ ω ）都是平稳过程Ｘ（ｔ）的特性，它们必定存在某种关系．对于平稳随机序列，Ｘ（定义７．２中已给出了它们的关系．下面讨论平稳过程的情形．设｛Ｘ（ｔ），－∞ ＜ｔ＜ ∞｝是均方连续平稳过程，ＲＸ（τ ）为它的相关函数，ｓ ω ）为它的功率谱密度．ｓ（ω ）具有下列性质：Ｘ（Ｘ（１）若
｜ＲＸ（ τ ）｜ｄ τ ＜∞，则ｓ ω ）是ＲＸ（ τ ）的傅氏变换，即Ｘ（ｓ ω ）＝Ｘ（
－∞
∞ －ｉ ωτ ＲＸ（ τ ）ｅｄ τ ．
（７．１２）
－∞
证　将（７．４）式代入（７．７）式得１ｓ（ω ）＝ｌｉｍＥＸＴＴ→ ∞２由于１　Ｅ２Ｔ１＝Ｅ２Ｔ
Ｔ－ｉω τ Ｘ（ｔ）ｅｄｔ
（７．１３）
－Ｔ
∫
Ｔ－ＴＴ
Ｘ（ｔ）ｅ
－ｉω ｔ
ｄｔ
－Ｔ－ｉω ｔＸ（ｔ）ｅｄｔＴ－ｉω （ｔ－ｓ）Ｘ（ｔ）Ｘ（ｓ）ｅｄｔｄｓ
∫ １＝Ｅ２Ｔ ∫ ∫
－Ｔ
Ｔ－ｉω ｓＸ（ｓ）ｅｄｓ
－Ｔ
－Ｔ
１＝２Ｔ１＝２Ｔ１Ｅ２Ｔ于是有
∫∫
－ＴＴ
Ｅ［Ｘ（ｔ）Ｘ（ｓ）］ｅ
－ｉω （ｔ－ｓ）
ｄｔｄｓ
－ＴＴ－ｉω （ｔ－ｓ）ＲＸ（ｔ－ｓ）ｅｄｔｄｓ．
∫∫
－Ｔ２
－Ｔ
仿照第六章定理６．１０的推证步骤，可得
Ｔ－ｉ ω ｔＸ（ｔ）ｅｄｔ
－Ｔ
２Ｔ
－２Ｔ
｜ τ ｜－ｉω τ １－ＲＸ（ τ ）ｅｄ τ ，２Ｔ
ｓ ω ）＝ｌｉｍＸ（
Ｔ→ ∞
２Ｔ
－２Ｔ
｜ τ ｜－ｉω τ １－ＲＸ（ τ ）ｅｄ τ ．２Ｔ
令Ｒ τ ，Ｔ）＝Ｘ（显然ｌｉｍＲＸ（ τ ，Ｔ）＝ＲＸ（ τ ），故

Ｔ→ ∞
｜ τ ｜１－ＲＸ（ τ ），｜ τ ｜≤２Ｔ，２Ｔ０，
２Ｔ
｜ τ ｜＞２Ｔ．
ｓ ω ）＝ｌｉｍＸ（
Ｔ→ ∞
∫ ∫
－２Ｔ ∞
｜ τ ｜－ｉω τ １－Ｒ（ τ ）ｅｄ τ ２ＴＸ
－ｉω τ Ｒ（ τ，Ｔ）ｅｄ τ Ｘ
＝ｌｉｍ
Ｔ→ ∞
－∞
１４８
∫ ∫
ｌｉｍＲＸ（ τ ，Ｔ）ｅｄｔ
Ｔ→ ∞
－ｉω ｔ
－∞ ∞
＝证毕．
ＲＸ（ τ ）ｅ
－ｉω τ
ｄ τ ，
－∞
对（７．１２）式作傅氏反变换得１ＲＸ（ τ ）＝２ π
ｓ ω ）ｅｄω．Ｘ（
ｉω τ
（７．１４）
－∞
（７．１２）式与（７．１４）式说明了平稳过程的相关函数与谱密度之间构成一对傅氏变１换，在（７．１４）式中令 τ ＝０，得平均功率２ π 时，（７．１４）式才成立．当Ｘ（ｔ）为实平稳过程时，则ｓ ω ）＝２Ｘ（
ｓ ω ）ｄ ω＝ＲＸ（０），只有当它有限Ｘ（
－∞
∫
０
ＲＸ（ τ ）ｃｏｓ（ω τ ）ｄ τ，ＲＸ（ τ ）＝
１ π
）ｃｏｓ（ω τ ）ｄω． ∫ ｓ（ω
Ｘ０
事实上，因为ＲＸ（ τ ）是偶函数，故ｓ ω ）＝Ｘ（
∫ ∫
ＲＸ（ τ ）ｅｄ τ ＲＸ（ τ ）［ｃｏｓ（ω τ ）－ｉｓｉｎ（ω τ ）］ｄ τ ＝２
－ｉ ω τ
－∞ ∞
－∞
∫
０
ＲＸ（ τ ）ｃｏｓ（ω τ ）ｄ τ ．
同理因为ｓ ω ）是 ω的偶函数（见（２）），故有Ｘ（ＲＸ（ τ ）＝１ π

２
）ｃｏｓ（ω τ ）ｄω． ∫ ｓ（ω
０Ｘ
（２）ｓ（ω ）是 ω的实的、非负偶函数．Ｘ证　因为
Ｔ－ｉω ｔ
－Ｔ
Ｘ（ｔ）ｅｄｔ是 ω 的实的非负偶函数，故其均值当Ｔ→ ∞
时的极限，也必然是 ω的实的、非负偶函数，由（７．１３）式知（２）得证．（３）当ｓ ω ）是 ω的有理函数时，其形式必为Ｘ（ｓ ω ）＝Ｘ（

２ｎ２ｎ－２ａ＋…＋ａ２ｎω ＋ａ２ｎ－２ ω ０，２ｍ２ｍ－２ ω ＋ｂ＋…＋ｂ２ｍ－２ ω ０
其中ａｂ（ｉ＝０，２， …，２ｎ，ｊ＝２，４， …，２ｍ）为常数，且ａ，ｍ＞ｎ，分２ｎ－ｉ，２ｍ－ｊ２ｎ＞０母无实根．证　根据（２）及平均功率有限即可证明．有理谱密度是常用的一类功率谱．在工程中，由于只在正的频率范围内进行测量，根据平稳过程的谱密度ｓ ω ）是偶函数的性质，因而可将负的频率范围内Ｘ（的值折算到正频率范围内，得到所谓“单边功率谱” ．单边功率谱ＧＸ（ω ）定义为
１４９
１２ｌｉｍＥＧ ω ）＝Ｔ → ∞ ＴＸ（０，它与ｓ ω ）有如下关系：Ｘ（ＧＸ（ω ）＝
∫
０
Ｔ－ｉω ｔＸ（ｔ）ｅｄｔ
， ω ≥０， ω ＜０．
２ｓ ω ）， ω≥０，Ｘ（０， ω＜０．
相应地，ｓ（ω ）可称为“双边谱”．它们图形关系如图７．１所示．Ｘ
图７．１
－ａ｜τ ｜例７．２　已知平稳过程的相关函数为ＲＸ（τ ）＝ｅｃｏｓ（ω ），其中ａ＞０，０τ
ω 求谱密度ｓ（ω ）．０为常数．Ｘ解　ｓ ω ）＝２Ｘ（ｏｓ（ω τ ）ｃｏｓ（ ω τ ）ｄ τ ∫ｅｃ＝ｃｏｓ（ω ＋ ω ） τ ＋ｃｏｓ（ω － ω ） τ ］ｄ τ ∫ｅ［
－ａ τ ００ ∞ －ａ τ ０００ ∞
ａａ＝２２＋２２．ａ＋（ω ）ａ＋（ω－ω ０＋ω ０）２Ａａ例７．３　已知平稳过程的谱密度ｓ ω ）＝２２求相关函数Ｒ τ ）Ｘ（２２，Ｘ（ π（ω ＋ａ）２及平均功率 ψ ．３ｉω τ ∞ Ａａｅ解　ＲＸ（ τ ）＝２ ω ２２２ｄ π －∞ （ω ＋ａ）３ｉ｜τ ｜ＺｅＡａ在Ｚ＝ａｉ处的留数＝２２ π ｉ２２２（Ｚ＋ａ） π Ａ（１＋ａ｜ τ ｜）－ａ｜τ ｜＝ｅ，２ π ２Ａ ψ ＝ＲＸ（０）＝．２ π 例７．４（白噪声序列的功率谱密度）　设｛Ｘｎ＝０， ±１， ±２， …｝是具有零ｎ，均值的平稳随机序列，且
３
ＲＸ（ｎ）＝
σ，ｎ＝０，０，ｎ ≠０．
１５０
∞
因为
ｎ＝－ ∞ ∞
｜ＲＸ（ｎ）｜＜∞，故由（７．１０）式得ｓ（ω ）＝Ｘ
ｎ＝－ ∞
－ｉｎ ω ２ＲＸ（ｎ）ｅ＝σ 　（－π≤ ω≤π ）．
例７．５　设平稳随机序列的谱密度为
２ σ ｓ ω ）＝，｜φ ｜＜１，Ｘ（－ｉω ２｜１－φ ｅ｜
求相关函数ＲＸ（ｎ）．解　由（７．１１）式得１Ｒｎ）＝Ｘ（２ π １＝２ π σ ＝２ π

２
∫ ∫ ∫
π π
ｓ ω ）ｅｄω Ｘ（
ｉｎω
－π ２ σ ｉｎω ω －ｉω ２ｅｄ－π ｜１－φ ｅ｜
－π
ｃｏｓ（ｎ ω ） ω ２ｄ１－２φ ｃｏｓ ω＋ φ
２ｎ σ φ ＝ｎ＝０，１， …）．２　（１－φ
下面列出几个常见的平稳过程的相关函数ＲＸ（τ ）及相应的谱密度ｓ ω ）Ｘ（于表７．１

表７．１Ｒ τ ）Ｘ（ｓ（ω ）Ｘ
２－ａ｜ＲＸ（ τ ）＝σ ｅ｜τ
２ σａｓ（ω ）＝２Ｘ２ａ＋ω
ＲＸ（ τ ）＝
｜τ ｜２ σ １－，｜ τ ｜≤ ＴＴ０，｜ τ ｜＞Ｔ
２２４ σ ｓｉｎ（ ω Ｔ／２）ｓ ω ）＝Ｘ（２Ｔ ω
１５１续表
Ｒ τ ）Ｘ（
ｓ（ω ）Ｘ
－ａ｜τ ｜Ｒ（ τ ）＝ｅｃｏｓ（ω ）Ｘ０τ
ａａｓ（ω ）＝２Ｘ２＋２２ａ＋（ω ＋ω ）ａ＋（ω －ω ）００
ｓｉｎω ０τ Ｒ τ ）＝ＮＸ（ π τ
ｓ ω ）＝Ｘ（
Ｎ，｜ ω ｜≤ ω ００，｜ ω ｜＞ ω ０
ＲＸ（ τ ）＝１
ｓ（ω ）＝２ π δ （ω ）Ｘ
ＲＸ（ τ ）＝ａｃｏｓ（ ω ）０τ
ｓ ω ）＝ａ π ［ δ （ ω＋ ω ）＋δ （ ω－ω ）］Ｘ（００
２－σ ＲＸ（τ ）＝σ ｅ τ
２ｓ（ω ）＝σ Ｘ
１－ ω２ｅ４ａ２ａ
１５２
§ ７．３　窄带过程及白噪声过程的功率谱密度
一般地，信号的频谱是可以分布在整个频率轴上的，即－ ∞ ＜ ω＜∞．但是在实际应用中，人们关心的是这样一些信号，它们的频率谱的主要成分集中于频率的某个范围之内，而在此范围之外的信号频率分量很小，可以忽略不计．当一个随机过程的谱密度为图７．２所求的形式时，即谱密度限制在很窄的一段频率范围内，则称该过程为窄带随机过程．
图７．２
例７．６　已知如图７．２所示的窄带平稳过程的谱密度ｓ ω ）．求该过程的Ｘ（均方值及相关函数．解　Ｘ（ｔ）的均方值为

２１Ｅ［Ｘ（ｔ）］＝ＲＸ（０）＝２ π
ｓ ω ）ｄω Ｘ（
－∞
＝相关函数为ＲＸ（ τ ）＝１ π
１ π
ω ２ ω １
１ｓ ω＝ｓ（ω － ω ０ｄ１）． π０２
ω ２ ω １
）ｃｏｓ（ω τ ）ｄω＝ ∫ ∫ ｓ（ω π
Ｘ０
ｓｃｏｓ（ω τ ）ｄ ω ０
ｓ０＝（ｓｉｎ（ω ）－ｓｉｎ（ω ））２τ １τ π τ ２ｓ ω ＋ω ω －ω ０２１＝ｃｏｓ１ τ ｓｉｎ２ τ ． π τ ２２如果一个随机过程的谱密度的值不变，且其频带延伸到整个频率轴上，则称该频谱为白噪声频谱．相应的白噪声过程定义如下．定义７．３　设｛Ｘ（ｔ），－ ∞ ＜ｔ＜∞｝为实值平稳过程，若它的均值为零，且谱密度在所有频率范围内为非零的常数，即ｓ）＝Ｎ０（－ ∞＜ ω＜∞），则称Ｘ（ω Ｘ（ｔ）为白噪声过程．
§ ７．３　窄带过程及白噪声过程的功率谱密度
１５３
由于白噪声过程有类似于白光的性质，其能量谱在各种频率上均匀分布，故有 “白”噪声之称．又由于它的主要统计特性不随时间推移而改变，故它是平稳过程．但是它的相关函数在通常的意义下的傅氏反变换不存在，所以，为了对白噪声过程进行频谱分析，下面引进 δ函数的傅氏变换概念．具有下列性质的函数称为 δ函数：（１）δ （ｘ）＝（２）０，ｘ≠０， ∞，ｘ＝０；
δ （ｘ）ｄｘ＝１．
－∞
δ函数有一个非常重要的运算性质，即对任何连续函数ｆ（ｘ），有
∫
或
ｆ（ｘ） δ （ｘ）ｄｘ＝ｆ（０），
（７．１５）
－∞
∫ ∫
∞
ｆ（ｘ） δ （ｘ－Ｔ）ｄｔ＝ｆ（Ｔ）．
－∞
由（７．１５）式知， δ函数的傅氏变换为 δ （ τ ）ｅ
－ｉω τ
ｄ τ＝ｅ｜τ＝０＝１．
－ｉ ω τ
（７．１６）
－∞
因此，由傅氏反变换，可得 δ函数的傅氏积分表达式为１ δ （ τ ）＝２ π 或
１・ｅｄω ，
ｉω τ
（７．１７）（７．１８）
－∞
∫
同理，由（７．１５）式可得
ｉω τ １・ｅｄω ＝２ π δ （ τ ）．
－∞
（７．１６）式与（７．１７）式说明， δ （ τ ）函数与１构成一对傅氏变换．１２ π 或相应地有１２ π
∫
∞
－∞
１ｉω τ δ （ω ）ｅｄω＝，２ π
ｉω τ ２ π δ （ω ）ｅｄω＝１．
∫
∞ －∞
（７．１９）
－∞
１・ｅ－ｉωτｄ τ ＝２ π δ （ω ）．
（７．２０）
（７．１９）式与（７．２０）式说明，１与２ π δ （ω ）构成一对傅氏变换．换言之，若相关函数ＲＸ（ τ ）＝１时，则它的谱密度为ｓ ω ）＝２ π δ （ω ）．它们的图形见表７．１．Ｘ（例７．７　已知白噪声过程的谱密度为ｓ ω ）＝Ｎ０（常数）（－∞＜ ω＜∞），Ｘ（求它的相关函数Ｒ τ ）．Ｘ（解　由（７．１８）式得
１５４
１ＲＸ（ τ ）＝２ π
ｓ ω ）ｅｄω Ｘ（
ｉω τ ｅｄ ω＝Ｎ（ τ ）．０δ
ｉω τ
－∞ ∞
Ｎ０＝２ π
－∞
由本例看出，白噪声过程也可以定义为均值为零、相关函数为Ｎ０ δ （ τ ）的平稳过程．这表明，在任何两个时刻ｔＸ（ｔ）与Ｘ（ｔ）不相关，即白噪声随时１和ｔ２，１２间变化的起伏极快，而过程的功率谱极宽，对不同输入频率的信号都有干扰产生．例７．８　已知相关函数ＲＸ（τ ）＝ａｃｏｓ（ω ），其中ａ， ω 求谱密度０τ ０为常数，ｓ ω ）．Ｘ（解　由（７．２０）式得ｓ ω ）＝Ｘ（
∫ ∫
ａ２ａ２
∞ －ｉω τ ＲＸ（ τ ）ｅｄ τ
－∞ ∞ －ｉω τ ａｃｏｓ（ω ）ｅｄ τ ０τ ∞ ｉω τ －ｉω τ －ｉω τ ０＋ｅ０］［ｅｅｄ τ ∞
－∞
＝＝
－∞ ∞
－ｉ（ ω－ ω ）τ ０
ｄ τ ＋
－∞
－ｉ（ ω＋ ω ）τ ０
ｄ τ
－∞
＝ａ π ［ δ （ω－ω （ω＋ ω ）］．０）＋δ ０ＲＸ（ τ ）与ｓ ω ）的图形见表７．１Ｘ（正如 δ函数是象征性函数一样，白噪声过程也是一种理想化的数学模型，实际上并不存在．因为在连续参数的情况下，根据白噪声过程的定义，它的平均功率Ｒ０）是无限的．而实际的随机信号过程只有有限的功率，并且在非常接Ｘ（近的两个时刻，随机过程的取值总是相关的，其相关函数也不能是 δ函数形式的表达式．但是，实际中所遇到的各种随机干扰，只要它的谱密度在比信号频带宽得多的频率范围内存在，且分布近似均匀，通常就把这种干扰当作白噪声处理．以上讨论白噪声过程的谱密度结构时，并未涉及它的概率分布，因此，它可以是具有不同分布的白噪声，诸如正态白噪声，具有瑞利分布的白噪声等．
§ ７．４　联合平稳过程的互谱密度
在§６．２中已经讨论过两个平稳过程的联合平稳概念及两个平稳过程的互相关函数．现在讨论联合平稳过程的互谱密度．定义７．４　设Ｘ（ｔ）和Ｙ（ｔ）是两个平稳过程，且它们是联合平稳的（平稳相
１５５
关的），若它们的互相关函数ＲＸＹ（ τ ）满足傅氏变换ｓ ω ）＝ＸＹ（
｜ＲＸＹ（ τ ）｜ｄ τ ＜∞，则称ＲＸＹ（ τ ）的
－∞
ＲＸＹ（ τ ）ｅ
－ｉω τ
ｄ τ
（７．２１）
－∞
是Ｘ（ｔ）与Ｙ（ｔ）的互功率谱密度，简称互谱密度．由傅氏反变换得１ＲＸＹ（ τ ）＝２ π

∞
∫
－∞
ｓ ω ）ｅｄω．ＸＹ（
ｉω τ
（７．２２）
－∞
因此互谱密度ｓ ω ）与互相关函数ＲＹＸ（ τ ）的关系如下：ＹＸ（ｓ ω ）＝ＹＸ（
ＲＹＸ（ τ ）ｅｄ τ ，
∞ ｉω τ ｓ ω ）ｅｄω．ＹＸ（
－ｉω τ
１ＲＹＸ（ τ ）＝２ π 数性质．令（７．２２）式的 τ＝０，则有
－∞
从定义看出，互谱密度一般是复值的，没有谱密度ｓ ω ）所具有实的、非负偶函Ｘ（
１ＲＸＹ（０）＝Ｅ［Ｘ（ｔ）Ｙ（ｔ）］＝２ π
ｓ ω ）ｄ ω．ＸＹ（
（７．２３）
－∞
若将Ｘ（ｔ）看作是通过某系统的电压，Ｙ（ｔ）是所产生的电流，且Ｘ（ｔ）和Ｙ（ｔ）是各态历经过程，则（７．２３）式左边表示输到该系统的功率，故右边的被积函数ｓ ω ）就是相应的互谱密度．ＸＹ（互谱密度具有下列性质．（１）ｓ ω ）＝ｓ ω ），即ｓ ω ）与ｓ ω ）互为共轭；ＸＹ（ＹＸ（ＸＹ（ＹＸ（（２）Ｒｅ［ｓ）］和Ｒｅ［ｓ）］是 ω 的偶函数，而Ｉｍ［ｓ）］和ＸＹ（ω ＹＸ（ω ＸＹ（ω Ｉｍ［ｓ ω ）］是 ω的奇函数；ＹＸ（（３）ｓ ω ）与ｓ ω ）和ｓ ω ）满足下列关系式：ＸＹ（Ｘ（Ｙ（｜ｓ ω ）｜ ≤ｓ（ω ）ｓ ω ）．ＸＹ（ＸＹ（（４）若Ｘ（ｔ）和Ｙ（ｔ）相互正交，则ｓ ω ）＝ｓ ω ）＝０．ＸＹ（ＹＸ（证　（１）利用互相关函数性质，得ｓ ω ）＝ＸＹ（
２
∫ ∫ ∫
－ｉω τ
ｄ τ
－∞ ∞ －ｉω τ ＲＹＸ（－τ ）ｅｄ τ
－∞ ∞
ＲＹＸ（ τ ）ｅ１ｄ τ τ ）１１　（１＝－ τ
ｉ ω τ
－∞
１５６
＝（２）由于ｓ ω ）＝ＸＹ（
ＲＹＸ（ τ ）ｅ１
－ｉω τ １
ｄ τ ω ）．１＝ｓＹＸ（
－∞
ＲＸＹ（ τ ）ｃｏｓ（ω τ ）ｄ τ －ｉ
－∞
ＲＸＹ（ τ ）ｓｉｎ（ω τ ）ｄ τ ，
－∞
故其实部为 ω的偶函数，虚部为 ω的奇函数．（３）ｓ（ω ）＝ｌｉｍＥ｜ＦＸ（ω，ｔ）｜，Ｘ

Ｔ→ ＋ ∞ ２
ｓ ω ）＝ｌｉｍＸＹ（由施瓦茨不等式：Ｅ｜ＸＹ｜≤
Ｔ→ ＋ ∞
１Ｅ［ＦＸ（ω，Ｔ）ＦＹ（ω，Ｔ）］．２Ｔ
２
Ｅ｜Ｘ｜
Ｅ｜Ｙ｜
２２
２｜ｓ ω ）｜＝ｌｉｍＸＹ（
１Ｅ［Ｆ ω，Ｔ）ＦＹ（ω，Ｔ）］Ｘ（Ｔ → ＋ ∞２Ｔ
＝ｌｉｍ ≤ｌｉｍ＝ｌｉｍ
Ｔ→ ＋ ∞
１２Ｅ［Ｆ ω，Ｔ）ＦＹ（ω，Ｔ）］Ｘ（２４Ｔ１２２｜Ｆ ω ，Ｔ）｜Ｅ｜Ｆ ω，Ｔ）｜２ＥＸ（Ｙ（４Ｔ
Ｔ→ ＋ ∞
Ｔ→ ＋ ∞
１２１２Ｅ｜Ｆ ω，Ｔ）｜ｌｉｍＥ｜Ｆ ω，Ｔ）｜Ｘ（Ｙ（２ＴＴ → ＋ ∞２Ｔ
＝ｓ（ω ）ｓ ω ）．ＸＹ（（４）由正交定义有ＲＸＹ（ τ ）＝０，再根据（７．２１）式及（１）即可证得．互谱密度没有（自）谱密度那样具有明显的物理意义，引进这个概念主要是为了能在频率域上描述二个平稳过程的相关性．在实际应用中，常常利用测定线性系统输入、输出的互谱密度来确定该系统的统计特性．这在下一节将进一步讨论．例７．９　设Ｘ（ｔ）和Ｙ（ｔ）为平稳过程，且它们是平稳相关的，则过程Ｗ（ｔ）＝Ｘ（ｔ）＋Ｙ（ｔ）的相关函数为ＲＷ（ τ ）＝ＲＸ（ τ ）＋ＲＹ（ τ ）＋Ｒ τ ）＋ＲＹＸ（ τ ），ＸＹ（易知其谱密度为ｓ ω ）＝ｓ ω ）＋ｓ ω ）＋ｓ ω ）＋ｓ（ω ）Ｗ（Ｘ（Ｙ（ＸＹ（ＹＸ＝ｓ ω ）＋ｓ ω ）＋２Ｒｅ［ｓ ω ）］．Ｘ（Ｙ（ＸＹ（显然，ｓ ω ）是实数．Ｗ（当两个过程Ｘ（ｔ）与Ｙ（ｔ）互不相关时，且它们的均值为零，则ＲＸＹ（τ ）＝ＲＹＸ（ τ ）＝０，ＲＷ（ τ ）＝ＲＸ（ τ ）＋ＲＹ（ τ ），ｓ ω ）＝ｓ ω ）＋ｓ ω ）．Ｗ（Ｘ（Ｙ（例７．１０　已知平稳过程Ｘ（ｔ）和Ｙ（ｔ）的互谱密度为
１５７
ｓ ω ）＝ＸＹ（
（ａ＋ｉｂ ω ）／ ω ω ｜＜ ω ０，｜０，０，｜ ω ｜≥ ω ０，
其中ａ，ｂ， ω 求互相关函数ＲＸＹ（ τ ）．０为实常数．解　由（７．２２）式得１ＲＸＹ（ τ ）＝２ π
－∞
１ｉω τ ｓ ω ）ｅｄω＝ＸＹ（２ π
ω ０
－ω ０
ａ＋ｉｂ ω ｉωτ ｅｄ ω ω ０
１＝（ａ ω －ｂ）ｓｉｎ（ ω ）＋ｂ ω ｃｏｓ（ω ）］．０τ ０τ ０τ ０τ ２［ πω ０τ 例７．１１　设随机过程Ｙ（ｔ）是由一个各态历经的白噪声过程Ｘ（ｔ）延迟时间Ｔ后产生的．若Ｘ（ｔ）和Ｙ（ｔ）的谱密度为ｓ求互相关函数ＲＸＹ（τ ）和０．ＲＹＸ（ τ ）及互谱密度ｓ ω ）和ｓ ω ）．ＸＹ（ＹＸ（解　因为ＲＸＹ（ τ ）＝Ｅ［Ｘ（ｔ）Ｙ（ｔ－τ ）］＝Ｒ），其中Ｙ（ｔ＋Ｔ）＝ＹＸ（－ τ Ｘ（ｔ），故Ｙ（ｔ）＝Ｘ（ｔ－Ｔ），Ｙ（ｔ－τ ）＝Ｘ（ｔ－τ －Ｔ），于是ＲＸＹ（ τ ）＝Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ －Ｔ）］＝ＲＹＸ（－τ ），Ｅ［Ｘ（ｔ）Ｘ（ｔ－τ －Ｔ）］＝ＲＸ（ τ ＋Ｔ），所以ＲＸＹ（ τ ）＝Ｒ τ ＋Ｔ）＝ｓ（ τ ＋Ｔ）＝ＲＹＸ（－τ ），Ｘ（０δ ｓ ω ）＝ＸＹ（
∞
∫ ∫ ∫ ∫
ＲＸＹ（ τ ）ｅ－ｉωτｄ τ
－ｉω τ ｉωＴｓ（ τ＋Ｔ）ｅｄ τ＝ｓｅ，０δ ０
－∞ ∞
＝ｓ ω ）＝ＹＸ（
－∞ ∞
ＲＹＸ（ τ ）ｅ－ｉωτｄ τ
－ｉω τ －ｉωＴｓ（－τ＋Ｔ）ｅｄ τ＝ｓｅ．０δ ０
－∞ ∞
－∞
例中因为Ｘ（ｔ）和Ｙ（ｔ）都是白噪声过程，它们的互相关函数除在 τ ＝Ｔ处有值外，其余各点为零，所以ＲＸＹ（Ｔ）＝ＲＸ（０）＝ＲＹＸ（Ｔ），它们的图形如图７．３所示．
图７．３
１５８
§ ７．５　平稳过程通过线性系统的分析
平稳过程的一个重要应用是线性系统对随机输入的响应．在自动控制、无线电技术、机械振动等方面，经常遇到的各类随机过程是与“系统”相联系的．所谓系统就是指能对各种输入按一定的要求产生输出的装置．如放大器、滤波器、无源网络等都是系统．本节所讨论的系统是指线性系统．
一、线性时不变系统
设对系统输入ｘ（ｔ）时，系统的作用为Ｌ，其输出为ｙ（ｔ），则它们的关系为ｙ（ｔ）＝Ｌ［ｘ（ｔ）］．求解等数学运算．定义７．５　称满足下列条件的算子为线性算子．若ｙｔ）＝Ｌ［ｘｔ）］，１（１（ｙｔ）＝Ｌ［ｘｔ）］，则对任意常数 α ， β有２（２（Ｌ［ α ｘ（ｔ）＋β ｘ（ｔ）］＝α Ｌ［ｘ（ｔ）］＋β Ｌ［ｘ（ｔ）］１２１２＝α ｙ（ｔ）＋β ｙｔ）．１２（对于一个系统，若算子Ｌ是线性的，则称该系统为线性系统．定义７．６　若系统Ｌ有ｙ（ｔ）＝Ｌ［ｘ（ｔ）］，并对任一时间平移 τ都有ｙ（ｔ＋τ ）＝Ｌ［ｘ（ｔ＋τ ）］，则称该系统为时不变系统．ｄ例７．１２　微分算子Ｌ＝是线性时不变的．ｄｔｄ解　设ｙ（ｔ）＝Ｌ［ｘ（ｔ）］＝ｘ（ｔ），由导数运算性质知，微分算子满足线性ｄｔ条件，且ｄｄｘ（ｔ＋τ ）Ｌ［ｘ（ｔ＋τ ）］＝ｘ（ｔ＋τ ）＝＝ｙ（ｔ＋τ ）．ｄｔｄ（ｔ＋τ ）例７．１３　积分算子Ｌ＝解　设ｙ（ｔ）＝Ｌ［ｘ（ｔ）］＝（７．２４）（７．２４）式中“Ｌ ”在数学上代表算子，它可以是加法、乘法、微分、积分和微分方程
（　）ｄｕ是线性时不变的．
－∞
ｘ（ｕ）ｄｕ，且ｙ（－∞）＝０．
－∞
由积分运算性质知，积分算子满足线性条件，且　　Ｌ［ｘ（ｔ＋τ ）］＝
ｘ（ｕ＋τ ）ｄｕ
－∞
１５９
ｘ（ｕ＋τ ）ｄ（ｕ＋τ ）＝ｙ（ｔ＋τ ）．
－∞
由上面的定义知，一个系统的线性性质，表现在该系统满足叠加原理；系统的时不变性质，表现为输出对输入的关系不随时间推移而变化．因此，一个线性时不变系统，叠加原理的数学表达式为
ｎｎｎ
ｖ（ｔ）＝Ｌ
ａ（ｔ）＝ｈｘｈ
ｈ＝１
ｈ＝１
ａ［ｘ（ｔ）］＝６ｈＬｈ
ａｙ（ｔ）．ｈｈ
ｈ＝１
在工程实际中，属于这类较简单而又重要的系统，是输入与输出之间可以用下列常系数线性微分方程来描述的系统：

ｎｄｙｄｎ－１ｙ　ｂｎｎ－１０ｙｎ＋ｂｎ－１＋…＋ｂｄｔｄｔ
＝ａｍ
ｄｘｄｘ，ｍ－１０ｘｍ＋ａｍ－１＋…＋ａｄｔｄｔ
ｍ－１
其中ｎ＞ｍ，－∞＜ｔ＜∞．
二、频率响应与脉冲响应
下面分别从时域和频域角度讨论线性时不变系统输入与输出的关系．当系统输入端输入一个激励信号时，输出端出现一个对应的响应信号．激励信号与响应信号之间的对应关系Ｌ，又称为响应特性．定理７．１　设Ｌ为线性时不变系统，若输入一谐波信号ｘ（ｔ）＝ｅ，则输出为ｙ（ｔ）＝Ｌ［ｅ］＝Ｈ（ω ）ｅ，其中Ｈ（ω ）＝Ｌ［ｅ］｜ｔ＝０．证　令ｙ（ｔ）＝Ｌ［ｅ］，由系统的线性时不变性，则对固定的 τ和任意的ｔ，有ｙ（ｔ＋τ ）＝Ｌ［ｅ令ｔ＝０，得
ｉω τ ｉω ｔｉω τ ｙ（ τ ）＝ｅＬ［ｅ］｜ｔ＝０＝Ｈ（ω ）ｅ，ｉω （ｔ＋ τ ）ｉ ω ｔｉ ω ｔｉω ｔｉω ｔｉω ｔ
（７．２５）
］＝ｅＬ［ｅ］．
ｉω τ
ｉω ｔ
证毕．定理７．１表明，对线性时不变系统输入一谐波信号时，其输出也是同频率的谐波，只不过振幅和相位有所变化．其中Ｈ（ω ）表示了这个变化，称它为系统的频率响应函数，一般地，它是复值函数．ｄｄｉωｔｉω ｔ例如，当＝Ｌ时，则系统的频率响应Ｈ（ω ）＝Ｌ［ｅ］｜ｅ｜ｔ＝０＝ｔ＝０＝ｄｔｄｔｉ ω ．下面讨论系统的时域分析和频域分析．
１６０
根据 δ函数的性质，有ｘ（ｔ）＝
ｘ（ τ ） δ （ｔ－τ ）ｄ τ ．
（７．２６）
－∞
将（７．２６）式代入（７．２４）式，并注意到Ｌ只对时间函数进行运算，有ｙ（ｔ）＝Ｌ［ｘ（ｔ）］＝Ｌ＝＝
ｘ（ τ ） δ （ｔ－τ ）ｄ τ
－∞
∫ ∫
ｘ（ τ ）Ｌ［ δ （ｔ－τ ）］ｄ τ ｘ（ τ ）ｈ（ｔ－τ ）ｄ τ ，（７．２７）
－∞ ∞
－∞
其中ｈ（ｔ－τ ）＝Ｌ［ δ （ｔ－τ ）］．若输入ｘ（ｔ）为表示脉冲的 δ函数，则（７．２７）式为ｙ（ｔ）＝
ｈ（ｔ－τ ） δ （ τ ）ｄ τ ＝ｈ（ｔ）．
（７．２８）
－∞
（７．２８）式表明ｈ（ｔ）是输入为脉冲时的输出，故称它为系统的脉冲响应．例如，设ｙ（ｔ）＝　　ｈ（ｔ）＝
ｘ（ｕ）ｅ
２－ａ（ｔ－ｕ）
ｄｕ，则系统的脉冲响应为
－∞ ２－ａ（ｔ－ｕ）
δ （ｕ）ｅ
ｄｕｅ
２－ａｔ
－∞
＝ｅ
２－ａｔ
δ （ｕ）ｅ
２－ａｕ
ｄｕ＝
，ｔ＞０，ｔ＜０．
－∞
０，
通过变量代换，（７．２７）式又可写成ｙ（ｔ）＝
ｘ（ｔ－τ ）ｈ（ τ ）ｄ τ．
（７．２９）
－∞
（７．２７）式与（７．２９）式就是从时域研究系统输入ｘ（ｔ）与输出ｙ（ｔ）的关系式．表明线性时不变系统的输出ｙ（ｔ）等于输入ｘ（ｔ）与脉冲响应ｈ（ｔ）的卷积，即ｙ（ｔ）＝ｈ（ｔ）＊ｘ（ｔ）．变换分别为Ｘ（ω ），Ｙ（ω ）和Ｈ（ω ），则有下列傅氏变换对：Ｘ（ω ）＝（７．３０）设输入ｘ（ｔ），输出ｙ（ｔ）和脉冲响应ｈ（ｔ）都满足傅氏变换条件，且它们的傅氏
ｘ（ｔ）ｅｄｔ，
∞ ｉ ω ｔＸ（ω ）ｅｄ ω；
－ｉω ｔ
（７．３１）（７．３２）（７．３３）（７．３４）
－∞
１ｘ（ｔ）＝２ π Ｙ（ω ）＝
∫
∞ ∞
－∞
ｙ（ｔ）ｅｄｔ，Ｙ（ω ）ｅｄ ω；
ｉω ｔ
－ｉω ｔ
－∞
１ｙ（ｔ）＝２ π
－∞
１６１
∞
Ｈ（ω ）＝
ｈ（ｔ）ｅｄｔ，Ｈ（ω ）ｅｄ ω．
ｉω ｔ
－ｉ ω ｔ
（７．３５）（７．３６）
－∞ ∞
１ｈ（ｔ）＝２ π
－∞
为了求出输入与输出之间的频谱关系，利用（７．３２）式和（７．２５）式，得ｙ（ｔ）＝Ｌ［ｘ（ｔ）］＝Ｌ１２ π １＝２ π １＝２ π
∫
ｉω ｔ
Ｘ（ω ）ｅｄ ω
ｉω ｔ
－∞
∫ ∫
Ｘ（ω ）Ｌ（ｅ）ｄω Ｘ（ω ）Ｈ（ω ）ｅｄω．
ｉω ｔ
－∞ ∞
（７．３７）
－∞
比较（７．３４）式和（７．３７）式，得Ｙ（ω ）＝Ｈ（ ω ）Ｘ（ ω ）．（７．３８）（７．３８）式就是在频域上系统输入频谱Ｘ（ω ）与输出频谱Ｙ（ω ）的关系式．它表明线性时不变系统响应的傅氏变换等于输入信号的傅氏变换与系统脉冲响应的傅氏变换的乘积．实际应用中，在研究平稳过程的输入与输出关系时，可以根据问题的条件选用（７．３０）式或（７．３８）式．一般地，为了满足信号加入之前，系统不产生响应，必须要求脉冲函数符合条件ｈ（ｔ）＝０，当ｔ＜０．相应地，（７．２９）式和（７．３５）式变成ｙ（ｔ）＝
∫
０
ｈ（ τ ）ｘ（ｔ－τ ）ｄ τ ，Ｈ（ω ）＝
∫
０
∞ －ｉ ω ｔｈ（ｔ）ｅｄｔ．
三、线性系统输出的均值和相关函数
设Ｘ（ｔ），Ｙ（ｔ）为均方连续平稳过程，由卷积公式（７．２７）或（７．２９）知，对于过程Ｘ（ｔ）的任一样本函数ｘ（ｔ），有ｙ（ｔ）＝
ｈ（ｔ－τ ）ｘ（ τ ）ｄ τ ＝
－∞
ｈ（ τ ）ｘ（ｔ－τ ）ｄ τ ．
－∞
根据均方积分的性质知，若系统输入过程Ｘ（ｔ）时，其输出Ｙ（ｔ）＝也是随机过程．下面讨论输入过程Ｘ（ｔ）的均值和相关函数与输出过程的均值和相关函数的关系．定理７．２　设输入平稳过程Ｘ（ｔ）的均值为ｍＸ，相关函数为ＲＸ（ τ ），则输
ｈ（ｔ－τ ）Ｘ（ τ ）ｄ τ ＝
－∞
ｈ（ τ ）Ｘ（ｔ－τ ）ｄ τ
－∞
１６２
出过程Ｙ（ｔ）＝的均值和相关函数分别为ｍＹ（ｔ）＝ｍＸＲＹ（ｔｔ）＝１，２
ｈ（ｔ－τ ）Ｘ（ τ ）ｄ τ
－∞
ｈ（ｕ）ｄｕ＝常数，
－∞
∫∫
－∞
ｈ（ｕ）ｈ（ｖ）ＲＸ（ τ －ｕ＋ｖ）ｄｕｄｖ（７．３９）
－∞
＝Ｒ τ ）　（ τ ＝ｔＹ（１－ｔ２）．证　ｍＹ（ｔ）＝Ｅ［Ｙ（ｔ）］＝Ｅ＝
ｈ（ｕ）Ｘ（ｔ－ｕ）ｄｕ
－∞
ｈ（ｕ）Ｅ［Ｘ（ｔ－ｕ）］ｄｕ＝ｍＸ
－∞
ｈ（ｕ）ｄｕ
－∞
＝常数．关于输出相关函数（７．３９）式的证明，下面采用先求Ｙ（ｔ）与Ｘ（ｔ）的互相关函数，利用它再求Ｙ（ｔ）的相关函数的方法．（１）求ＲＹＸ（ｔｔ１，２）．　　ＲＹＸ（ｔｔ）＝Ｅ［Ｙ（ｔ）Ｘ（ｔ］１，２１２）＝Ｅ＝
∞
∫
∞ －∞ ∞
ｈ（ｔ）Ｘ（ｗ）Ｘ（ｔ）ｄｗ１－ｗ２
－∞
∫ ∫ ∫ ∫
ｈ（ｔ）Ｅ［Ｘ（ｗ）Ｘ（ｔ］ｄｗ１－ｗ２）ｈ（ｔ）ＲＸ（ｗ－ｔ）ｄｗ１－ｗ２ｈ（ｕ）ＲＸ（ｔ）ｄｕ１－ｔ２－ｕｈ（ｕ）ＲＸ（ τ －ｕ）ｄｕ＝ＲＹＸ（ τ ），（７．４０）
＝＝＝即
－∞ ∞
－∞ ∞
－∞
ＲＹＸ（ τ ）＝ＲＸ（ τ ）＊ｈ（ τ ），　（其中 τ ＝ｔ１－ｔ２）．（２）求ＲＹ（ｔｔ）．利用（１）的结果及（７．２７）式，有１，２Ｒｔｔ＝Ｅ［Ｙ（ｔＹ（ｔ）］Ｙ（１，２）１）２＝ＥＹ（ｔ１）＝＝

∞
ｈ（ｔ）Ｘ（ｓ）ｄｓ２－ｓ
－∞
∫ ∫
ｈ（ｔ）Ｅ［Ｙ（ｔＸ（ｓ）］ｄｓ２－ｓ１）ｈ（ｔ）ＲＹＸ（ｔ）ｄｓ２－ｓ１－ｓ
－∞ ∞
－∞
１６３
ｈ（ｔ）２－ｓ
－∞
ｈ（ｔ）ＲＸ（ｗ－ｓ）ｄｗｄｓ．１－ｗ
－∞
令ｔ＝ｖ，ｔ，得２－ｓ１－ｗ＝ｕＲＹ（ｔｔ）＝１，２
ｈ（ｖ）
∞
－∞ ∞
ｈ（ｕ）ＲＸ（ｔ＋ｖ）ｄｕｄｖ１－ｔ２－ｕ
－∞
∫∫
－∞
ｈ（ｕ）ｈ（ｖ）ＲＸ（ τ －ｕ＋ｖ）ｄｕｄｖ
－∞
＝ＲＹ（ τ ），证毕．从定理７．２看出，当输入平稳过程Ｘ（ｔ）时，输出过程的均值Ｅ［Ｙ（ｔ）］为常数，相关函数ＲＹ（ｔｔ）＝ＲＹ（ τ ）只是时间差ｔ故输出过程是１，２１－ｔ２＝ τ的函数，平稳的，从（７．４０）式看出，输出过程Ｙ（ｔ）与输入过程Ｘ（ｔ）之间还是联合平稳的．在（７．３９）式中，令ｖ＝－ｔ，利用（１）得ＲＹ（ τ ）＝
∫∫
－∞ ∞
ｈ（ｕ）ｈ（－ｔ）ＲＸ（ τ －ｕ－ｔ）ｄｕｄｔ
－∞
＝即将（７．４０）式代入得
ｈ（－ｔ）ＲＹＸ（ τ －ｔ）ｄｔ，（７．４１）
－∞
ＲＹ（ τ ）＝ＲＹＸ（ τ ）＊ｈ（－τ ）．ＲＹ（ τ ）＝ＲＸ（ τ ）＊ｈ（ τ ）＊ｈ（－τ ）．
从定理７．２的证明过程说明，输出相关函数可以通过两次卷积产生．第一次是输入相关函数与脉冲响应的卷积，其结果是Ｙ（ｔ）与Ｘ（ｔ）的互相关函数；第二次是ＲＹＸ（ τ ）与ｈ（－τ ）的卷积，其结果是Ｒ τ ）．或者说，以ＲＸ（ τ ）作为具有Ｙ（脉冲响应ｈ（ τ ）的系统的输入，得输出Ｒ（ τ ），再以ＲＹＸ（τ ）作为具有脉冲响应ＹＸｈ（－τ ）的系统的输入，可以得到输出为ＲＹ（ τ ）．它们的关系如图７．４所示．
图７．４
例７．１４　设线性系统输入一个白噪声过程Ｘ（ｔ），由例７．７知ＲＸ（τ ）＝Ｎ０ δ （ τ ）．将它代入（７．４０）式得ＲＹＸ（ τ ）＝
Ｎ０δ （ τ －ｕ）ｈ（ｕ）ｄｕ＝Ｎ（ τ ）．０ｈ
－∞
１６４
ｈ（ τ ）＝
１Ｒ（ τ ）．Ｎ０ＹＸ
利用上式，从实测的互相关函数资料可以估计线性系统未知的脉冲响应．对于物理上可以实现的系统，当ｔ＜０时，ｈ（ｔ）＝０，故当 τ ＜０时，ＲＹＸ（ τ ）＝Ｎ０ｈ（ τ ）＝０．当 τ＞０时，假定过程Ｘ（ｔ）和Ｙ（ｔ）还是各态历经的，则对充分大的Ｔ，有ｈ（ τ ）＝１１Ｒ（ τ ）≈ Ｎ０ＹＸＮ０Ｔ（ｔ）ｘ（ｔ＋τ ）ｄｔ， ∫ｙ
０Ｔ
其中ｘ（ｔ）和ｙ（ｔ）分别为输入过程Ｘ（ｔ）和输出过程Ｙ（ｔ）的一个样本函数．
四、线性系统的谱密度
现在讨论具有频率响应Ｈ（ω ）的线性系统，其输出的谱密度ｓ ω ）与输入Ｙ（谱密度ｓ ω ）的关系．Ｘ（定理７．３　设输入平稳过程Ｘ（ｔ）具有谱密度ｓ ω ），则输出平稳过程Ｘ（Ｙ（ｔ）的谱密度为ｓ ω ）＝｜Ｈ（ω ）｜ｓ（ω ），Ｙ（Ｘ
２２
（７．４２）
其中Ｈ（ω ）是系统的频率响应函数．称｜Ｈ（ω ）｜为系统的频率增益因子或频率传输函数．证　由（７．３９）式可得ｓ ω ）＝Ｙ（
ＲＹ（ τ ）ｅ
∞ ∞
－ｉω τ
ｄ τ
－∞ ∞ －ｉω τ ｈ（ｕ）ｈ（ｖ）ＲＸ（ τ －ｕ＋ｖ）ｄｕｄｖｅｄ τ ．
∫ ∫∫
－∞ －∞ ∞ －∞ ∞
－∞
令 τ－ｕ＋ｖ＝ｓ，则ｓ ω ）＝Ｙ（
∫∫∫
－∞
ｈ（ｕ）ｈ（ｖ）Ｒ（ｓ）ｅＸ
－ｉωｕ
－ｉω （ｓ＋ｕ－ｖ）
ｄｕｄｖｄｓ
－ｉω ｓ
－∞
ｈ（ｕ）ｅ
ｄｕ
－∞
∞ ｉω ｖ
ｈ（ｖ）ｅｄｖ
２
－∞
ＲＸ（ｓ）ｅｄｓ
－∞
＝Ｈ（ω ）Ｈ（ω ）ｓ ω ）＝｜Ｈ（ω ）｜ｓ ω ），Ｘ（Ｘ（证毕．（７．４２）式是一个重要的公式，它表明线性系统的输出谱密度等于输入谱密度乘以增益因子．对于从频域上研究输入与输出谱密度关系，它是很方便的．在实际研究中，由平稳过程的相关函数Ｒ τ ），求ＲＹＸ（τ ）和ＲＹ（ τ ），往往会遇到Ｘ（较复杂的计算．因此，可以通过（７．４２）式求出ｓ ω ），再通过傅氏反变换得到输Ｙ（出相关函数
１６５
１ＲＹ（ τ ）＝２ π １＝２ π 及输出的平均功率（均方值）１ＲＹ（０）＝２ π
∫ ∫
∞
ｓ ω ）ｅｄω Ｙ（ｓ ω ）｜Ｈ（ω ）｜ｅｄω Ｘ（
２ｉω τ
ｉω τ
－∞
（７．４３）
－∞
ｓ ω ）｜Ｈ（ω ）｜ｄ ω．Ｘ（
－∞
（７．３９）和（７．４３）式都是求ＲＹ（ τ ）的公式，可以根据条件选择用之．例７．１５　如图７．５所示的ＲＣ电路，若输入白噪声电压Ｘ（ｔ），其相关函数为Ｒ τ ）＝Ｎ０ δ （ τ ）．求输出电压Ｙ（ｔ）的相关函数和平均功率．Ｘ（
图７．５
解　因为输入样本函数ｘ（ｔ）与输出样本函数ｙ（ｔ）满足微分方程ｄｙ（ｔ）ＲＣ＋ｙ（ｔ）＝ｘ（ｔ）．ｄｔ这是一个常系数线性微分方程，是一个线性时不变系统．取ｘ（ｔ）＝ｅ，根据定理７．１，有ｙ（ｔ）＝Ｈ（ω ）ｅ，代入上式得

ｉω ｔｄ［Ｈ（ω ）ｅ］ｉω ｔｉω ｔＲＣ＋Ｈ（ω ）ｅ＝ｅ，ｄｔｉω ｔｉω ｔ
故ＲＣ电路系统的频率响应函数为１ α Ｈ（ω ）＝＝，ｉ ω ＲＣ＋１ｉ ω＋α 其中 α ＝１／ＲＣ．由（７．３６）式得１ｈ（ｔ）＝２ π １＝２ π
∫ ∫
－∞ ∞
α ｉωｔｅｄω ｉ ω＋α
ｉω ｔ α ｅｄω．（ω －ｉ α ）－∞ ｉ
α 因为在上半平面有一阶极点，故当ｔ＞０时，ｉ（ ω－ｉ α ）１－α ｔｈ（ｔ）＝Ｒ（ｉ α ）＝α ｅ，ｓ２ π ｅｈ（ｔ）＝ α ｅ，ｔ＞０，０，ｔ＜０．

－α ｔ
１６６
由（７．３９）式有ＲＹ（ τ ）＝
∫∫
－∞
ｈ（ｕ）ｈ（ｖ）Ｎ０δ （ τ －ｕ＋ｖ）ｄｕｄｖｈ（ｕ）ｄｕ
－∞
＝Ｎ０＝Ｎ０
∫ ∫
Ｎ０Ｎ０
－∞ ∞
ｈ（ｖ） δ （ τ －ｕ＋ｖ）ｄｖ
－∞
ｈ（ｕ）ｈ（ｕ－τ ）ｄｕ
∞ ２－α ｕ
－∞ －α （ｕ－ τ ）
∫ αｅ
τ ∞ ２０
ｄｕ， τ≥０，ｄｕ， τ＜０
∫ αｅ
－ αｕ－ α （ｕ－ τ ）
α Ｎ０－ ατ ｅ， τ ≥０，２ α Ｎ０ α ｅτ ，２ τ ＜０
α Ｎ０－ α ｅ｜τ｜（－∞＜τ ＜∞）．２ α Ｎ０．２
令 τ＝０，得输出平均功率为ＲＹ（０）＝
例７．１６　设如图７．６的系统的激励力函数ｘ（ｔ）的谱密度ｓ ω ）＝ｓ试求Ｘ（０，输出位移ｙ（ｔ）的谱密度和平均功率．
图７．６
解　因为滑车运动位移ｙ（ｔ）满足微分方程ｍ
ｉω ｔ
ｄｙ（ｔ）ｄｙ（ｔ）＋ｒ＋ｋｙ（ｔ）＝ｘ（ｔ）．２ｄｔｄｔ
ｉω ｔ２
令ｘ（ｔ）＝ｅ，则ｙ（ｔ）＝Ｈ（ω ）ｅ，代入上式得（－ｍ ω＋ｉｒ ω ＋ｋ）Ｈ（ω ）＝１，故Ｈ（ω ）＝１，２－ｍ ω＋ｉｒ ω＋ｋ
１６７
１２｜Ｈ（ω ）｜＝２２２２，（ｋ－ｍ ω）＋ｒ ω 所以位移输出谱密度为ｓ０２ｓ ω ）＝｜Ｈ（ω ）｜ｓ ω ）＝Ｙ（Ｘ（２２２２．（ｋ－ｍω ）＋ｒ ω 输出平均功率为１２ＲＹ（０）＝Ｅ［Ｙ（ｔ）］＝２ π ｓ０＝２ π
∫
２
∞ ２｜Ｈ（ ω ）｜ｓ ω ）ｄω Ｘ（
－∞
－∞
２ｓ１０ｄω＝．２ｋｒ－ｍω ＋ｉｒ ω＋ｋ
例７．１７　设有两个线性时不变系统如图７．７所示．它们的频率响应函数分别为Ｈ ω ）和Ｈ２（ω ）．若两个系统输入同一个均值为零的平稳过程Ｘ（ｔ），它１（们的输出分别为Ｙ（ｔ）和Ｙ２（ｔ）．问如何设计Ｈ１（ω ）和Ｈ ω ）才能使Ｙｔ）和１２（１（Ｙｔ）互不相关．２（
图７．７
解　根据两个过程互不相关概念，题意要求它们的协方差函数为零．由（７．２７）式，有Ｅ［Ｙｔ）］＝１（
∫ ∫
ｈｔ－ｕ）Ｅ［Ｘ（ｔ）］ｄｕ＝０，１（ｈ（ｔ－ｖ）Ｅ［Ｘ（ｔ）］ｄｖ＝０；２
－∞ ∞
Ｅ［Ｙ２（ｔ）］＝
－∞
　Ｅ［ＹｔＹｔ］１（１）２（２）＝Ｅ＝
∫∫
－∞ ∞ ∞ －∞ ∞ －∞ ∞
ｈ（ｕ）ｈｖ）Ｘ（ｔ）Ｘ（ｔ）ｄｕｄｖ１２（１－ｕ２－ｖ
－∞
∫∫ ∫∫
－∞
ｈ（ｕ）ｈ（ｖ）Ｅ［Ｘ（ｔ）Ｘ（ｔ）］ｄｕｄｖ１２１－ｕ２－ｖｈ（ｕ）ｈ（ｖ）ＲＸ（ τ －ｕ＋ｖ）ｄｕｄｖ＝ＲＹ１２

Ｙ１２
（ τ ），
－∞
其中 τ＝ｔ上式表明Ｙｔ）与Ｙｔ）的互相关函数只是时间差 τ的函数．１－ｔ２，１（２（由
１６８
ｓＹ
Ｙ１２
（ω ）＝
∫ ∫
ＲＹ
－∞ ∞
Ｙ１２
（ τ ）ｅ
∞
－ｉω τ
ｄ τ
∫ ∫∫
－∞ ∞ －∞ －∞
－ｉω τ ｈ（ｕ）ｈｖ）Ｒ τ －ｕ＋ｖ）ｄｕｄｖｅｄ τ １２（Ｘ（ ∞ ｉω ｖ ∞
－∞ －ｉωｕ
ｈｕ）ｅ１（
ｄｕ
－∞
ｈｖ）ｅｄｖ２（
－∞
ＲＸ（ｓ）ｅｄｓ
－ｉ ω ｓ
＝Ｈ ω ）Ｈ ω ）ｓ ω ），１（２（Ｘ（故当设计两个系统的频率响应函数的振幅频率特性没有重叠时，如图７．８所示，则ｓＹ

Ｙ１２
（ω ）＝０，从而有ＲＹ
Ｙ１２
（ τ ）＝０＝ＢＹ
Ｙ１２
（ τ ），即Ｙｔ）和Ｙ２（ｔ）互不相关．１（
图７．８
习　题　七
　　７．１　下列函数中哪些是谱密度的正确表达式，为什么？ ω ＋９ ω ＋１（１）ｓ（ω ）＝２；　　（２）ｓ（ｗ）＝４；２２（ω ＋４）（ω ＋１） ω ＋５ ω ＋６（３）ｓ（ω ）＝ ω ＋４；２ ω －４ω ＋３
４－ｉ ω ｅ．２ ω ＋２２２２２
（４）ｓ（ｗ）＝
ω ；２ ω ＋３ ω ＋２
４
（５）ｓ（ｗ）＝
｜７．２　设平稳过程Ｘ（ｔ）的相关函数ＲＸ（ τ ）＝ｅ－α｜τ ，求Ｘ（ｔ）的谱密度．
７．３　设有平稳过程Ｘ（ｔ）＝ａｃｏｓ（ω ＋Θ ），其中ａ， ω Θ 是在（－π ， π ）上服从均０ｔ０为常数，匀分布的随机变量．求Ｘ（ｔ）的谱密度．

－｜τ ｜７．４　已知平稳过程的相关函数为ＲＸ（ τ ）＝４ｅｃｏｓ（ π τ ）＋ｃｏｓ（３ π τ ），求谱密度ｓ（ω ）．Ｘ２２７．５　设平稳过程Ｘ（ｔ）的谱密度为ｓ／（１＋ ω ），求相关函数Ｒ τ ）．Ｘ＝１Ｘ（
７．６　当平稳过程Ｘ（ｔ）通过如图７．９所示的系统时，证明输出Ｙ（ｔ）的谱密度为ｓ ω ）Ｙ（＝２ｓ ω ）（１＋ｃｏｓ（ω Ｔ））．Ｘ（７．７　已知平稳过程Ｘ（ｔ）的谱密度为０，

２
０≤ ｜ω ｜＜ ω ０，
ｓ（ω ）＝ｃ， ω ｜ω ｜＜２ω Ｘ０≤ ０，０，｜ ω ｜≥２ ω ０．
习　题　七
１６９
图７．９求相关函数ＲＸ（ τ ）．７．８　设有平稳过程Ｘ（ｔ）＝ａｃｏｓ（Θ ｔ＋φ ），其中ａ为常数， φ是在（０，２ π ）上服从均匀分布的随机变量， Θ 是分布密度函数满足ｆ（ ω ）＝ｆ（－ω ）的随机变量，且 φ与 Θ相互独立．求证
２Ｘ（ｔ）的谱密度为ｓ（ω ）＝ａ π ｆ（ ω ）．Ｘ
７．９　设Ｘ（ｔ）和Ｙ（ｔ）是单独且联合平稳的随机过程，试证Ｒｅ［ｓ（ω ）］＝Ｒｅ［ｓ ω ）］，ＸＹＹＸ（Ｉｍ［ｓ ω ）］＝－Ｉｍ［ｓ（ω ）］．ＸＹ（ＹＸ７．１０　设Ｘ（ｔ）为平稳过程，令Ｙ（ｔ）＝Ｘ（ｔ＋ａ）－Ｘ（ｔ－ａ），ａ为常数，试证ｓ ω ）＝４ｓ（ ω ）ｓｉｎ（ａ ω ），Ｙ（ＸＲＹ（ τ ）＝２Ｒ（τ ）－ＲＸ（τ ＋２ａ）－Ｒ τ －２ａ）．ＸＸ（７．１１　设Ｘ（ｔ）和Ｙ（ｔ）是两个相互独立的平稳过程，均值ｍＸ和ｍＹ都不为零．令Ｚ（ｔ）＝Ｘ（ｔ）＋Ｙ（ｔ），求ｓ ω ）和ｓ（ ω ）．ＸＹ（ＸＺ７．１２　设零均值平稳过程Ｘ（ｔ）的谱密度ｓ ω ）存在二阶导数，试证ｄｓ ω ）／ｄ ω 不是Ｘ（Ｘ（谱密度．７．１３　设线性时不变系统输入一个均值为零的实平稳过程｛Ｘ（ｔ），ｔ ≥０｝，其相关函数为Ｒ（τ ）＝δ （ τ ）．若系统的脉冲响应为Ｘｈ（ｔ）＝１，０＜ｔ＜Ｔ，０，其它，
２２２
试求系统输出过程Ｙ（ｔ）的相关函数、谱密度及Ｘ（ｔ）与Ｙ（ｔ）的互谱密度．７．１４　设｛Ｘ（ｔ），ｔ ∈Ｔ｝，｛Ｙ（ｔ），ｔ ∈Ｔ｝是均值为零的实平稳过程，它们的相关函数分别为Ｒ（τ ），ＲＹ（ τ ），互相关函数为ＲＸＹ（τ ）．如果ＸＲ τ ）＝ＲＹ（ τ ），Ｒ（τ ）＝－ＲＸＹ（－τ ），Ｘ（ＸＹ试证Ｚ（ｔ）＝Ｘ（ｔ）ｃｏｓ（ ω ）＋Ｙ（ｔ）ｓｉｎ（ω ）是平稳过程（ω ０ｔ０ｔ０为常数）．若Ｘ（ｔ），Ｙ（ｔ）的谱密度为ｓ（ω ），ｓ ω ），互谱密度为ｓ ω ）．试求Ｚ（ｔ）的谱密度．ＸＹ（ＸＹ（７．１５　设一个线性系统由微分方程ｄｙ（ｔ）＋ｂｙ（ｔ）＝ａｘ（ｔ）ｄｔ给出，其中ａ，ｂ为常数，ｘ（ｔ），ｙ（ｔ）分别为输入平稳过程Ｘ（ｔ）和输出平稳过程Ｙ（ｔ）的样本
２－β ｜函数，且输入过程均值为零，初始条件为零，ＲＸ（ τ ）＝σ ｅ｜τ ．求输出的谱密度ｓ（ω ）和相关Ｙ
函数ＲＹ（ τ ）．
－α ｜τ ｜７．１６　设一个线性系统输入平稳过程Ｘ（ｔ），其相关函数为ＲＸ（τ ）＝β ｅ．若输入、输
１７０出过程的样本函数满足微分方程
ｄｙ（ｔ）ｄｘ（ｔ）＋ｂｙ（ｔ）＝＋ａｘ（ｔ），ｄｔｄｔ其中ａ，ｂ为常数．求输出过程Ｙ（ｔ）的谱密度ｓ ω ）和相关函数ＲＹ（ τ ）．Ｙ（７．１７　设有如图７．１０的电路系统，输入零均值的平稳过程Ｘ（ｔ），且相关函数为Ｒ τ ）Ｘ（＝σｅ
２－β ｜τ ｜
．求Ｙｔ），Ｙ（ｔ）的谱密度及两者的互谱密度．１（２
图７．１０
２７．１８　设｛Ｘ（ｔ），－ ∞ｌ＜ｔ＜ ∞｝是均值为零的正交增量过程，Ｅ｜Ｘ（ｔ）－Ｘ（ｔ｜＝２１）
｜ｔ｜，若２－ｔ１Ｙ（ｔ）＝Ｘ（ｔ）－Ｘ（ｔ－１）．（１）证明｛Ｙ（ｔ），－∞ ＜ｔ＜∞｝是平稳过程；（２）求｛Ｙ（ｔ）｝的功率谱密度．７．１９　设联合平稳过程｛Ｘ（ｔ），Ｙ（ｔ），－∞＜ｔ＜∞ ｝的自相关函数及互相关函数分别为ＲＸ（ τ ）＝４ｅ
－｜τ ｜
，ＲＹ（ τ ）＝ｃｏｓ（３ π τ ），｜ τ ｜＞１．
Ｒ（τ ）＝ＸＹ记
１－｜ τ ｜，｜ τ ｜ ≤１，０，
Ｚ（ｔ）＝Ｘ（ｔ）＋Ｙ（ｔ），求｛Ｚ（ｔ），－∞＜ｔ＜∞｝的功率谱密度．
第八章　时间序列分析
时间序列是指按时间先后顺序排列的随机序列，或者说是定义在概率空间（Ω，Ｆ，Ｐ）上的一串有序随机变量集合｛Ｘｔ＝０， ±１， …｝，简记为｛Ｘ｝；它的每ｔ，ｔ一个样本（现实）序列，是指按时间先后顺序对Ｘｔ所反映的具体随机现象或系统进行观测或试验所得到的一串动态数据｛ｘｔ＝０， ± １， …｝．所谓时间序列分析，ｔ，就是根据有序随机变量或者观测得到的有序数据之间相互依赖所包含的信息，用概率统计方法定量地建立一个合适的数学模型，并根据这个模型对相应序列所反映的过程或系统作出预报或进行控制．本章主要以平稳时间序列为讨论对象，着重介绍一类具体的，在自然科学、工程技术及社会、经济学的建模分析中起着非常重要作用的平稳时间序列模型— — —自回归滑动平均模型，简称ＡＲＭＡ模型．
§ ８．１　ＡＲＭＡ模型
一、自回归模型
设｛Ｘ｝为零均值的实平稳时间序列，阶数为ｐ的自回归模型定义为ｔＸｔ＝φ １Ｘｔ－１＋ φ ２Ｘｔ－２＋…＋φ ｐＸｔ－ｐ＋ａｔ，Ｅ［ａ］＝０　Ｅ［ａａ］＝ｔｓｔ σ，ｔ＝ｓ，０，ｔ ≠ｓ，
２ａ
（８．１）
Ｅ［ａ］＝０，ｓ＞ｔ．ｓＸｔ模型（８．１）简记为ＡＲ（ｐ）．它是一个动态模型，是时间序列｛Ｘ｝自身回归的表达ｔ式，所以称自回归模型．满足ＡＲ（ｐ）模型的随机序列称为ＡＲ（ｐ）序列，其中｛ｙｋ＝１，２， …，ｐ｝称为自回归系数．从白噪声序列｛ａ｝所满足的条件看出，ａｋ，ｔｔ之间互不相关，且ａ｛ａ｝亦称为新信息序列，在时间ｔ与以前的观测值也不相关，ｔ序列分析的预报理论中有重要应用．为方便起见，引进延迟算子概念．令
１７２

２ＢＸＢＸ（ＢＸ）＝Ｘｔ＝Ｘｔ－１，ｔ＝Ｂｔｔ－２．
ｋｋ一般有ＢＸ（ｋ＝１，２，３， …），称Ｂ为一步延迟算子，Ｂ为ｋ步延迟算子．ｔ＝Ｘｔ－ｋ
于是（８．１）式可以写成 φ （Ｂ）Ｘｔ＝ａｔ，其中 φ （Ｂ）＝１－φ －…－φ １ＢｐＢ．

ｐ
（８．２）（８．３）
对于（８．２）式的ＡＲ（ｐ）模型，若满足条件： φ （Ｂ）＝０的根全在单位圆外，即所有根的模都大于１，则称此条件为ＡＲ（ｐ）模型的平稳性条件．当模型（８．２）满足平稳性条件时， φ－１（Ｂ）存在且一般是Ｂ的幂级数，于是（８．１）式又可写成是ＸＢ）ａｔ＝φ （ｔ．它称为逆转形式．模型（８．２）可以看作是把相关的｛Ｘ｝变为一个互不相关序列ｔ｛ａ｝的系统．ｔ
－１
二、滑动平均模型
设｛Ｘ｝为零均值的实平稳时间序列，阶数为ｑ的滑动平均模型定义为ｔＸａｔ＝ａｔ－θ １ａｔ－１－…－θ ｑｔ－ｑ，（８．４）其中｛ θ ｋ＝１，２， …，ｑ｝， θ 并简记（８．４）模型为ＭＡ（ｑ）．满ｋ，ｔ称为滑动平均系数，足ＭＡ（ｑ）模型的随机序列称为ＭＡ（ｑ）序列．用延迟算子表示，（８．４）式可以写成Ｘ（Ｂ）ａｔ＝θ ｔ，其中 θ （Ｂ）＝１－θ －…－θ １ＢｑＢ．
ｑ
（８．５）（８．６）
对于（８．５）式的ＭＡ（ｑ）模型，若满足条件： θ （Ｂ）＝０的根全在单位圆外，即所有根的模大于１，则称此条件为ＭＡ（ｑ）模型的可逆性条件．当模型（８．５）满足
－１可逆性条件时， θ （Ｂ）存在，此时（８．５）式可以写成
ａＢ）Ｘｔ＝θ （ｔ，它称为逆转形式．模型（８．５）中的Ｘａ｝输入线性系统ｔ可以看作是白噪声序列｛ｔ中的输出．
－１
三、自回归滑动平均模型
设｛Ｘ｝是零均值的实平稳时间序列，ｐ阶自回归ｑ阶滑动平均混合模型定ｔ义为Ｘａｔ－φ １Ｘｔ－１－…－ φ ｐＸｔ－ｐ＝ａｔ－θ １ａｔ－１－…－ θ ｑｔ－ｑ，或 φ （Ｂ）Ｘ（Ｂ）ａｔ＝θ ｔ，（８．７）（８．８）
其中 φ （Ｂ）和 θ （Ｂ）分别为（８．３）式和（８．６）式所表示，且φ （Ｂ）与 θ （Ｂ）无公共因子， φ （Ｂ）满足平稳性条件， θ （Ｂ）满足可逆性条件．模型（８．７）记为ＡＲＭＡ（ｐ，
§ ８．２　模型的识别
１７３
ｑ）．满足ＡＲＭＡ（ｐ，ｑ）模型的随机序列．称为ＡＲＭＡ（ｐ，ｑ）序列．显然，当ｑ＝０时，ＡＲＭＡ（ｐ，０）就是ＡＲ（ｐ）；当ｐ＝０时，ＡＲＭＡ（０，ｑ）就是ＭＡ（ｑ）．如平稳过程的时域分析与频域分析有对应关系一样，这里介绍ＡＲＭＡ（ｐ，ｑ）序列与具有有理谱密度的平稳序列之间存在的对应关系，并指出一个平稳序列在什么条件下是ＡＲＭＡ（ｐ，ｑ）序列．定义８．１　设｛Ｘ｝是零均值平稳序列，它的谱密度ｆ（λ ）是ｅ－ｉ２πλ 的有理函ｔ数： θ （ｅ）｜１１２｜ｆ（ λ ）＝σ － ≤λ≤ ，ａ－ｉ２ πλ ２，２２｜φ （ｅ）｜
－ｉ２πλ ２
（８．９）
其中 φ （ λ ）和 θ （λ ）是形如（８．３）和（８．６）式的多项式，且它们无公共因子， φ （λ ）满足平稳性条件， θ （ λ ）满足可逆性条件．则称｛Ｘ｝是具有有理谱密度的平稳序ｔ列．定理８．１　均值为零的平稳时间序列｛Ｘ｝满足（８．８）式的充要条件为，｛Ｘ｝ｔｔ具有形如（８．９）式的有理谱密度．证明
［９］
略．
从定理１看出，只要平稳序列的谱密度是有理函数形式，则它一定是一个ＡＲＭＡ（ｐ，ｑ）序列，因此，总可以找到一个ＡＲＭＡ（ｐ，ｑ）序列，满足预先给定的精度去逼近所研究的平稳序列．
对于一个平稳时间序列预测问题，首先要考虑的是寻求与它拟合最好的预测模型．而模型的识别与阶数的确定则是选择模型的关键．本节先对ＡＲ（ｐ），ＭＡ（ｑ）与ＡＲＭＡ（ｐ，ｑ）序列作相关分析，讨论其理论自相关函数和偏相关函数所具有的特性，从而找到识别模型的方法．下节再讨论模型阶数的确定．
一、ＭＡ（ｑ）序列的自相关函数
用Ｘ８．４）式两边，再取均值（由于序列的均值为零，故自相关函数ｔ－ｋ乘以（与协方差函数相同），为了不致混淆，记所得协方差函数为 γ ｋ， γ ［Ｘ］ｋ＝ＥｔＸｔ－ｋ＝Ｅ［（ａａ）（ａａ）］ｔ－θ １ａｔ－１－…－ θ ｑｔ－ｑｔ－ｋ－θ １ａｔ－ｋ－１－…－ θ ｑｔ－ｋ－ｑ
ｑｑ
＝Ｅ［ａａ］－６ｔｔ－ｋ
θ ［ａａ］－ｊＥｔｔ－ｋ－ｊ
ｊ＝１
θ ［ａａ］ｉＥｔ－ｉｔ－ｋ
ｉ＝１
１７４
ｑｑ
　＋６利用
ｉ＝１
θ θ ［ａａ］．ｉｊＥｔ－ｉｔ－ｋ－ｊＥ［ａａ］＝ｓｔ σ ＝ｓ，ａ，ｔ０，ｔ ≠ｓ，
２
ｊ＝１
显然上式第二项对一切ｋ都为零，其余各项依赖于ｋ．（１）当ｋ＝０时，有

ｑｑ
γ ［ａ］＋０＝Ｅｔ（２）当１≤ｋ ≤ｑ时，有
ｉ＝１
θ ［ａ］＝σ ｉＥｔ－ｉａ＋６
２２２ｑ
θ σ ｉａ；
２２
ｉ＝１
２ γ ［ａ］＋ｋ＝－θ ｋＥｔ－ｋｑ
ｉ＝ｋ＋１
２ θ θ ［ａ］ｉｉ－ｋＥｔ－ｉ
＝－θ σ ｋａ＋
ｉ＝ｋ＋１
θ θ σ ｉｉ－ｋａ；
（３）当ｋ＞ｑ时，右边四项都为０，此时 γ ｋ＝０．用γ ／ γ 简称它为自相关函数．ｋ除以 γ ０得标准化自相关函数 ρ ｋ＝γ ｋ０，综上可得ＭＡ（ｑ）序列的协方差函数 γ ｋ和自相关函数ρ ｋ为 σ （１＋θ ），ａ１＋…＋θ ｑ
２ａ２２２
ｋ＝０，（８．１０）
γ θ ），１≤ｋ ≤ｑ，ｋ＝ σ（－ θ ｋ＋θ ｋ＋１ θ １＋…＋ θ ｑｑ－ｋ０，１， ρ ｋ＝ｋ＞ｑ，ｋ＝０，
－θ θ ｋ＋θ ｋ＋１ θ １＋…＋θ ｑｑ－ｋ，１≤ｋ≤ｑ，２２１＋θ １＋…＋θ ｑ０，ｋ＞ｑ．
（８．１１）
从（８．１１）式看出，ＭＡ（ｑ）序列的自相关函数 ρ 这种性质称为ｋ在ｋ＞ｑ时全为零．ｑ步截尾性．它表明ＭＡ（ｑ）序列只有ｑ步相关性，即当｜ｔ－ｓ｜＞ｑ时，Ｘｓ与Ｘｔ不相关．这是ＭＡ（ｑ）模型所具有的本质特性，截尾处的ｋ值就是模型的阶数．定理８．２　设零均值平稳时间序列｛Ｘ｝具有谱密度ｆ（λ ）＞０，则｛Ｘ｝是ｔｔＭＡ（ｑ）序列的充要条件是它的自相关函数ｑ步截尾．定理的必要性上述已证，充分性见［９］．例８．１　已知ＭＡ（２）模型Ｘ５ａ３ａ试验证模型满足可ｔ＝ａｔ＋０．ｔ－１－０．ｔ－２，逆性条件，并求自相关函数．
２２解　因为 θ （Ｂ）＝１＋０．５Ｂ－０．３Ｂ，故令其为零，得１＋０．５Ｂ－０．３Ｂ＝０，
解得Ｂ１７，Ｂ２．８４由于｜Ｂ｜Ｂ所以模型满足可逆性条１＝１．２＝－１｜＞１，２｜＞１，件．
１７５
将θ ５， θ ３代入（８．１１）式，得自相关函数１＝－０．２＝０． ρ ρ ０＝１，１＝－（－０．５）＋０．３（－０．５）＝０．２６１２，２２１＋（－０．５）＋０．３
－０．３ ρ ２２３９， ρ （ｋ＞２）．２＝２２＝０．ｋ＝０　１＋（－０．５）＋０．３
二、ＡＲ（ｐ）序列的自相关函数
用Ｘ８．１）两边，再取均值，得ｔ－ｋ乘模型（ γ γ ｋ＞０），ｋ＝φ １γ ｋ－１＋…＋ φ ｐｋ－ｐ　（除以 γ ０可得 ρ ρ ｋ－φ １ρ ｋ－１－…－ φ ｐｋ－ｐ＝０，即 φ （Ｂ） ρ ｋ＞０）．ｋ＝０　（ ρ ρ １＝φ １＋φ ２ρ １＋…＋ φ ｐｐ－１， ρ ρ ２＝φ １ρ １＋φ ２＋φ ３ρ １＋…＋ φ ｐｐ－２， …… ρ ｐ＝φ １ρ ｐ－１＋ φ ２ρ ｐ－２＋…＋ φ ｐ；写成矩阵式为 ρ １ ρ ２ … ρ ｐ下式给出：
ｐ
（８．１２）（８．１３）
令（８．１２）式的ｋ＝１，２， …，ｐ，得
（８．１４）
１＝ ρ １ … ρ ｐ－１
ρ １１ … ρ ｐ－２
ρ ２ ρ １ … ρ ｐ－３
… … …
ρ ｐ－１ ρ ｐ－２ … １
φ １ φ ２ … φ ｐ
２
（８．１５）
（８．１５）式称为尤尔－瓦尔克方程．（８．１３）式是 ρ ｋ所满足的差分方程．参数 σ ａ由
σ ａ＝γ ０－事实上，由
φ γ ｊｊ．
（８．１６）
ｊ＝１
２２ σ ｔ＝ＥＸｔ－φ ｔＸｔ－１－…－ φ ｐＸｔ－ｐａ＝Ｅａｐｐｐ
＝γ ０－２６＝γ ０－２６＝γ ０－２６综上可得下面的定理．
ｊ＝１ｐ
φ γ ｊｊ＋６ φ γ ｊｊ＋６ φ γ ｊｊ＋６
ｉ＝１ｐ
φ φ γ ｉｊｊ－ｉ
ｐ
ｊ＝１
φ ｊ
ｊ＝１ｐ
ｊ＝１ｐ
φ γ ｉｊ－ｉ
ｐ
ｉ＝１
ｊ＝１
ｊ＝１
φ γ ｊｊ＝ γ ０－６
φ γ ｊｊ．
ｊ＝１
１７６
定理８．３　ＡＲ（ｐ）序列｛Ｘ｝的自相关函数满足（８．１５）式，白噪声序列｛ａ｝ｔｔ的方差满足（８．１６）式．定理指出了ＡＲ（ｐ）序列的自相关函数所满足的方程，暂时未讨论它的解法，需要指出的是，根据线性差分方程理论可证，ＡＲ（ｐ）序列的自相关函数不能在某步之后截尾，而是随ｋ增大逐渐衰减，但受负指数函数控制．这种特性称为拖尾性．下面用例题说明这种拖尾性．例８．２　求ＡＲ（１）序列的自相关函数．解　因为ＡＲ（１）模型为Ｘ８．１４）式得ｔ－φ １Ｘｔ－１＝ａｔ由（ ρ ρ …， ρ １＝φ １，２＝φ １ρ １＝φ １，ｋ＝φ １ρ ｋ－１＝ φ １．由φ （Ｂ）＝１－φ ／φ 有｜φ 故当１Ｂ＝０得Ｂ＝１１．在满足平稳性条件时，１｜＜１，ｋ →∞时 ρ ｋ →０．由于 φ ｘｐ（ｋｌｎ｜φ ），又因｜φ 故ｌｎ｜φ 所以存在ｃ１＝ｅ１｜１｜＜１，１｜＜０，１＞０，ｃ２＞０使｜ ρ ｜＜ｃｅｋ１即｛ ρ ｝被负指数函数控制．ｋ例８．３　ＡＲ（２）模型为Ｘ１Ｘ０．２Ｘｔ＝０．ｔ－１＋ｔ－２＋ａｔ．验证它满足平稳性条件，并求自相关函数．解　由 φ （Ｂ）＝１－０．１Ｂ－０．２Ｂ＝０解得ＢＢ５，由于１＝２，２＝－２．｜Ｂ｜Ｂ所以模型满足平稳性条件．１｜＞１，２｜＞１，由（８．１４）式得 φ １ ρ ， ρ ｋ ≥２）．１＝ｋ＝φ １ρ ｋ－１＋ φ ２ρ ｋ－２　（１－ φ ２代入 φ ．１， φ ２得１＝０２＝０． ρ １２５， ρ ．２１３， ρ ０４６， ρ ０４７，１＝０．２＝０３＝０．４＝０． ρ ０１４， ρ ．０１１， ρ ００４， ρ ００３，５＝０．６＝０７＝０．８＝０． ρ ００１， … ９＝０．从例中的数值看出， ρ ｋ具有拖尾性．
２－ｃｋ２ｋ２ｋ
三、ＡＲＭＡ（ｐ，ｑ）序列的自相关函数

根据（８．８）式，若φ （Ｂ）满足平稳性条件，则Ｘｔ的平稳解为
－１ＸＢ） θ （Ｂ）ａｔ＝φ （ｔ．
将 φ （Ｂ）写成Ｂ的级数形式，令
－１
∞
１７７
Ｇ（Ｂ）＝ φ （Ｂ） θ （Ｂ）＝
－１
ＧＧ），ｉＢ　（０＝１
（８．１７）
ｉ＝０
其中系数序列｛Ｇ｝称为格林函数．于是Ｘａ｝的现在和过去的值表示为ｉｔ可用｛ｔ

∞ ∞
Ｘｔ＝
ＧｉＢａｉ＝
ｉ＝０
Ｇａｉｔ－ｉ．
（８．１８）
ｉ＝０
上式称为｛Ｘ｝的传递形式，它的系数Ｇ表示ｉ个单位时间以前ｔｉ是ａｔ－ｉ的权重，的ａ称为Ｗｏｌｄ系数．上式也可以看作是无穷阶的ＭＡ序列．ｔ对现在Ｘｔ的影响，与（８．１７）式相反，若θ （Ｂ）满足可逆条件，则Ｘｔ的另一种逆转形式表达式为
－１ａＢ）φ （Ｂ）Ｘｔ＝θ （ｔ．
写成级数形式得
∞ ∞ ｊＩＢＸｊｔ＝Ｘｔ－６
ａ（Ｂ）Ｘｔ＝Ｉｔ＝－
∞
Ｉ（Ｉ），（８．１９）ｊＸｔ－ｊ０＝－１
ｊ＝０
ｊ＝１
其中Ｉ（Ｂ）＝１－
ｊ－１ＩＢ）φ （Ｂ），Ｉ逆转形式可以ｊＢ＝θ （ｊ称为逆函数．所以，
ｊ＝１
看作是将ａｔ表示成Ｘｔ的历史值的加权和．现在将 φ （Ｂ）Ｇ（Ｂ）＝θ （Ｂ）两边展开成多项式：

∞ ∞ ｉ φ ′ ｉＢ ∞ ｉＧＢ＝ｉ
６
比较系数得Ｇｉ的递推式
ｉ＝０
６６
ｉ＝０
ｉ θ ′ ｉＢ．
ｉ＝０
Ｇ ′ ｉ＝θ ｉ－其中 φ ′ ｊ＝ θ ′ ｊ＝
φ ′ ｊＧｉ－ｊ，Ｇ０＝１，
ｊ＝１
φ ≤ｐ，ｊ，１≤ｊ０，ｊ＞ｐ， θ ≤ｑ，ｊ，１≤ｊ０，ｊ＞ｑ．
　　下面利用（８．１８）式导出ＡＲＭＡ（ｐ，ｑ）序列的自相关函数关系式．将（８．７）式两边乘Ｘ再取均值得ｔ－ｋ，　γ γ ｋ－φ １γ ｋ－１－…－ φ ｐｋ－ｐ＝γ （Ｘ，ａ）－θ （Ｘ，ａ）－…－θ γ （Ｘ，ａ），ｋ１γ ｋ－１ｑｋ－ｑ即其中 φ （Ｂ）γ （Ｂ）γ （Ｘ，ａ），ｋ＝θ ｋ
∞
（８．２０）
γ （Ｘ，ａ）＝ＥＸａｔｔ＋ｋ＝Ｅｋ
∞
Ｇａａｊｔ－ｊｔ＋ｋ，（８．２１）
ｊ＝０
ａａＧ＝ｔ－ｊｔ＋ｋｊＥ
２Ｇ－ｋσ ≤０，ａ，ｋ
ｊ＝０
０，
ｋ＞０．
１７８
将（８．２１）式代入（８．２０）式并除以 γ 写成自相关函数，注意到 ρ ０，ｋ为偶函数可得

２１－ φ ρ ｋ＝０时，有σ １ρ １－…－ φ ｐｐＸ２　　　　＝１－θ １Ｇ１－…－ θ ｑＧｑ σ ａ，２ ρ ρ ｋ＝１时，有σ １－φ １φ ０－φ ２ρ １－…－ φ ｐｐ－１Ｘ２　　　　＝ θ １－θ ２Ｇ１－…－θ ｑＧｑ－１ σ ａ，２２ ρ ｋ＝ｑ时，有σ σ ｑ－φ １ρ ｑ－１－…－ φ ｐｐ－ｑ＝ θ Ｘ ρ ｑａ，
（８．２２）
ｋ＞ｑ时，有ρ ρ ｋ－φ １ρ ｋ－１－…－ φ ｐｐ－ｑ＝０，　　　　即 φ （Ｂ） ρ ｋ＝０．若令上式ｋ＝ｑ＋１， …，ｑ＋ｐ，可得 ρ ｑ ρ ｑ＋１ … ρ ｑ＋ｐ－１ ρ ｑ－１ ρ ｑ … ρ ｑ＋ｐ－２ … … … ρ ｑ－ｐ＋１ ρ ｑ－ｐ＋２ … ρ ｑ φ １ φ ２ … φ ｐ＝ ρ ｑ＋１ ρ ｑ＋２ … ρ ｑ＋ｐ．（８．２３）
　　定理８．４　零均值平稳时间序列｛Ｘ｝为ＡＲＭＡ（ｐ，ｑ）序列的充要条件为其ｔ自相关函数满足（８．２２）式．定理的必要性如上所述，充分性见［９］．比较（８．２２）式与（８．１３）式知，ＡＲＭＡ（ｐ，ｑ）序列与ＡＲ（ｐ）序列的自相关函数满足相同的差分方程 φ （Ｂ）ρ ｋ＞ｑ）．因此，和ＡＲ（ｐ）序列类似，ｋ＝０（ＡＲＭＡ（ｐ，ｑ）序列的自相关函数也是拖尾的，且受负指数函数控制．例８．４　求ＡＲＭＡ（１，１）模型Ｘｔ－φ １Ｘｔ－１＝ａｔ－θ １ａｔ－１的自相关函数．解　设ａ｜φ ＜１，则ｉ的方差为σ ａ，１｜１－θ １ＢＸ（Ｂ）ａａｉ＝Ｇｉ＝ｉ，１－ φ １Ｂ故
２２２１－θ ＋φ 　　Ｇ＋Ｇ１Ｂ１＋φ １Ｂ１Ｂ＋… ０＋Ｇ１Ｂ２Ｂ＋…＝２２＝１＋ φ Ｂ＋ φ １－θ １１－φ １θ １Ｂ＋… ．２
比较系数得
２ＧＧ１＝φ Ｇ …．０＝１，１－θ １，２＝φ １－φ １θ １，
由（８．２２）式得
２２２１－θ φ σ １－ φ ）＝（１－θ σ （ｋ＝０），１（１－θ １） σ Ｘ（１ρ １１Ｇ１）ａ＝ａ２２
σ ρ ＝θ （ｋ＝１），Ｘ（１－φ １）１σ ａ ρ （ｋ＝２，３， …）．ｋ＝φ １ρ ｋ－１解得
２１＋θ φ （φ （１－ φ １－２１θ １１－θ １）１θ １）２ σ ， ρ ，ｘ＝２１＝２１－ φ １＋θ φ １１－２１θ １
１７９
ρ ｋ＝φ １
ｋ－１
（ φ （１－φ １－θ １）１θ １）　（ｋ＝１，２， …）．２１＋θ φ １－２１θ １
　　例８．５　求ＡＲＭＡ（２，１）的自相关函数．解　因为ＡＲＭＡ（２，１）模型为Ｘｔ－φ １Ｘｔ－１－ φ ２Ｘｔ－２＝ａｔ－θ １ａｔ－１，

２１－φ －φ １－θ Ｘ１Ｂ２Ｂ１Ｂａｔ＝ｔ．２
设模型满足平稳性、可逆条件，且ａ于是ｔ的方差为σ ａ，１－θ １Ｂ　　Ｇ（Ｂ）＝２１－φ －φ １Ｂ２Ｂ

２＝１＋（φ Ｂ＋ φ （ φ ）＋φ １１－θ １２Ｂ＋…，１－θ １）
得格林函数ＧＧＧ φ …．０＝１，１＝φ １－θ １，２＝φ １（１－θ １）＋ φ ２，由（８．２２）式有 σ １－φ （１－θ ） σ Ｘ（１ρ １－φ ２ρ ２）＝１Ｇ１ａ　　　　　　　　＝（１＋θ σ （ｋ＝０），１－φ １θ １）ａ σ ρ ）＝－θ （ｋ＝１），Ｘ（１－φ １－φ ２ρ １１σ ａ ρ ｋ＝２，３， …）．ｋ－φ １ρ ｋ－１－ φ ２ρ ｋ－２＝０（将ρ ２＝φ １ρ １＋φ ２代入第一式得
２２２１－φ （φ ） ρ σ １＋θ σ ２＋φ １２－１１＝（Ｘ１－φ １θ １）ａ．２２２２２２２
将上式与第二式联立解得 σ Ｘ＝σ ａ ρ １＝
２２２１－ φ １θ １＋θ １
－φ （φ ）１２－１１－φ ２
２
２１－φ ２
－φ φ ）１（２－１１－φ ２－φ φ ）１（２－１１－φ ２
－θ １
２
－φ １
２
１－φ １－ φ ２１θ １＋θ １－φ １１－θ １
１－φ １θ １＋θ １－θ １
ρ ρ …可按递推法或解齐次差分方程求得．２，３，
四、偏相关函数
从上面的讨论知，对于自相关函数，只有ＭＡ（ｑ）序列是截尾的，ＡＲ（ｐ）和ＡＲＭＡ（ｐ，ｑ）序列则是拖尾的．为了进一步区分ＡＲ（ｐ）序列和ＡＲＭＡ（ｐ，ｑ）序列，我们引入偏相关函数的概念．从概率论知，在给定随机变量Ｗ的条件下，随机变量Ｕ与Ｖ的联合条件
１８０
密度函数为ｆ（ｕ，ｖ｜ｗ），则Ｕ与Ｖ的偏相关函数定义为　
∫∫
－∞
ｕ－Ｅ（Ｕ）
－∞
ｖ－Ｅ（Ｖ）ｆ（ｕ，ｖ｜ｗ）ｄｕｄｖＤ（Ｕ）Ｄ（Ｖ）
ＥＵ－Ｅ（Ｕ）Ｖ－Ｅ（Ｖ）．Ｄ（Ｕ）Ｄ（Ｖ）
类似地，在零均值平稳时间序列中，给定Ｘ …，ＸＸｔ－１，ｔ－ｋ＋１，ｔ与Ｘｔ－ｋ之间的偏相关函数定义为ＥＸｔＸｔ－ｋＥＸＥＸ（１）ＡＰ（ｐ）序列的偏相关函数．设｛Ｘ｝是零均值的平稳序列，它满足ＡＲ（ｋ）模型，即ｔＸｔ＝φ ｋ１Ｘｔ－１＋φ ｋ２Ｘｔ－２＋…＋ φ ｋｋＸｔ－ｋ＋ａｔ．用Ｘ当给定Ｘ …，Ｘ取条件期望得ｔ－ｋ乘上式两边，ｔ－１＝ｘｔ－１，ｔ－ｋ＋１＝ｘｔ－ｋ＋１时，ＥＸｔＸｔ－ｋ＝ φ ｔ－ｋ＋…＋φ ｔ－ｋｋ１ｘｔ－１ＥＸｋ，ｋ－１ｘｔ－ｋ＋１ＥＸ＋φ ．ｔ－ｋ＋ＥａｔＸｔ－ｋｋｋＥＸ因为ｋ＞０时，Ｅａ且有ｔＸｔ－ｋ＝０，
２ＥＸｔＸｔ－ｋ＝ φ ｔ－ｋ＝ φ ｋｋＤＸｋｋσ Ｘ，２２ｔ２ｔ－ｋ
ＥＸｔＸｔ－ｋ，２ σＸ
（８．２４）
其中Ｅ表示关于条件密度函数ｆ（ｘｘ｜ｘｘ …，ｘ）的条件期望．ｔ，ｔ－ｋｔ－１，ｔ－２，ｔ－ｋ＋１
φ ｋｋ＝
ＥＸｔＸｔ－ｋ（ｋ＝１，２， …）．２ σ Ｘ
（８．２５）
根据（８．２４）式，显然 φ Ｒ（ｐ）序列的偏相关函数，同时它又是ＡＲ（ｋ）模型ｋｋ即为Ａ的最后一个自回归系数 φ ｋ．为了探讨ＡＲ（ｐ）序列的偏相关函数的特性，考虑Ｘ …，Ｘｔ－１，ｔ－ｋ对Ｘｔ的最小方差估计，即要求确定 φ …， φ 使ｋ１，ｋｋ，
ｋ
Ｑ＝ＥＸ φ ｔ－６ｋｊＸｔ－ｊ
ｊ＝１
＝ｍｉｎ．
（８．２６）
根据ＡＲ（ｐ）模型定义，有
ｐｋ
　　　Ｑ＝Ｅ＝Ｅ
φ ｊＸｔ－ｊ＋ａｔ－
ｐ
ｊ＝１
φ ｋｊＸｔ－ｊ
ｋ
ｊ＝１
ａ φ ）Ｘｔ＋６（ｊ－φ ｋｊｔ－ｊ－６
ｊ＝１ｐ２
ｋ
ｊ＝ｐ＋１
＝ＥａＥａｔ＋２ｔ
ｐ
（φ ）Ｘｊ－φ ｋｊｔ－ｊ－
ｋ
ｊ＝１
ｊ＝ｐ＋１
２
　＋Ｅ
（φ ）Ｘｊ－φ ｋｊｔ－ｊ－
ｊ＝１
ｊ＝ｐ＋１
１８１
因为Ｅａ０（ｊ＞０）故ｔＸｔ－ｊ＝
ｐｋ
Ｑ＝σ ＋Ｅ显然，要使Ｑ＝ｍｉｎ，应取
２ａ
（φ ）Ｘｊ－ φ ｋｊｔ－ｊ－
ｊ＝１
ｊ＝ｐ＋１
０，ｐ＋１≤ｊ ≤ｋ．这说明ＡＲ（ｐ）序列有 φ （ｊ＝１， …，ｐ），且由（８．２５）式， φ ｋｊ＝ φ ｊｐｐ＝φ ｐ即为偏相关函数．当ｋ＞ｐ时，有φ ＡＲ（ｐ）序列的偏相关函数为： φ φ ｋｋ＝０．换句话说，１１，２２， …， φ ０， …，０．即偏相关函数在ｋ步截尾，其截尾的ｋ值就是模型的阶数．这ｐｐ，是ＡＲ（ｐ）序列具有的本质特性．（２）ＡＲＭＡ（ｐ，ｑ）序列和ＭＡ（ｑ）序列的偏相关函数．类似（１）的讨论，考虑用ＸＸｔ－１，…，ｔ－ｋ对Ｘｔ作最小方差估计来求ＡＲＭＡ（ｐ，ｑ）序列（把ＭＡ（ｑ）看作ｐ＝０的特例）｛Ｘ｝的偏相关函数 φ 同时ｔｋｋ，推出偏相关函数与自相关函数的关系．为了使Ｑ＝ｍｉｎ， φ …， φ ｋ１，ｋｋ应满足方程组５Ｑ＝０，ｊ＝１，２， …，ｋ．５φ ｋｊ由
ｋｋ
φ ｋｊ＝
φ ≤ ｐ，ｊ，１≤ｊ
Ｑ＝Ｅ
ｋ
Ｘ φ ｔ－６ｋｊＸｔ－ｊ
ｊ＝１ｋ
＝ＥＸ－２６ φ ｋｊＥＸｔＸｔ－ｊ
２ｔｊ＝１
　＋
６６
ｊ＝１
Ｘ φ φ ｔ－ｊＸｔ－ｉｋｊｋｉＥ
ｋｋ
ｉ＝１ｋ
＝γ ０－２６于是
φ γ ｋｊｊ＋
ｊ＝１
６６
ｊ＝１
φ φ γ ｋｊｋｉｊ－ｉ，
ｋ
ｉ＝１
５Ｑ＝－γ ｊ＋５φ ｋｊ等价于
ｋ
φ γ ｋｉｊ－ｉ＝０，
ｉ＝１
ｊ＝１，２， …，ｋ，
－ρ ｊ＋或
φ ρ ０，ｊ＝１，２， …，ｋｋｉｊ－ｉ＝
ｉ＝１
ρ ρ １＝φ ｋ１ρ ０＋φ ｋ２ρ １＋…＋ φ ｋｋｋ－１， ρ ρ ２＝φ ｋ１ρ １＋φ ｋ２ρ ０＋…＋ φ ｋｋｋ－２， …… ρ ρ ｋ＝φ ｋ１ρ ｋ－１＋ φ ｋ２ρ ｋ－２＋…＋ φ ｋｋ０．（８．２７）
１８２
写成矩阵式为１ ρ １ … ρ ｋ－１ ρ １１ … ρ ｋ－２ … … … ρ ｋ－１ ρ ｋ－２ … １ φ ｋ１ φ ｋ２ … φ ｋｋ＝ ρ １ ρ ２ … ρ ｋ．（８．２８）
（８．２７）式说明，由自相关函数的值可以求出偏相关函数 φ 系数 φ （ｊ＝１， …，ｋ）ｋｋ．ｋｊ可以由（８．２８）式直接求解．现在给出求解 φ ｋｊ的常用递推式： φ １１＝ ρ １，

ｋｋ
φ ρ ρ φ ｋ＋１，ｋ＋１＝ｋ＋１－６ｋ＋１－ｊｋｊ

ｊ＝１
１－６ ρ φ ｊｋｊ
ｊ＝１
－１
（８．２９）
φ ｊ＝１，２， …，ｋ．ｋ＋１，ｊ＝ φ ｋｊ－φ ｋ＋１，ｋ＋１ φ ｋ，ｋ＋１－ｊ，事实上，用ｋ＋１代（８．２８）式的ｋ得１ ρ １ … 取前ｋ个方程得１ ρ １ … ρ ｋ－１即 φ ｋ＋１，１ φ ｋ＋１，２ … φ ｋ＋１，ｋ＝１ ρ １ … ρ ｋ－１ ρ １１ … ρ ｋ－２ … １　－ φ ｋ＋１，ｋ＋１ ρ １ … ρ ｋ－１ φ ｋ１＝ φ ｋ２ … φ ｋｋ－φ ｋ＋１，ｋ＋１ … … ρ ｋ－１ ρ ｋ－２ … １ ρ １１ … ρ ｋ－２ φ ｋｋ φ ｋ，ｋ－１ … φ ｋ１， … … …
－１
ρ １１ …
… ρ ｋ－１ … ρ ｋ－２ … … … … … ρ １
ρ ｋ ρ ｋ－１ … １ φ ｋ＋１，１ φ ｋ＋１，２ … φ ｋ＋１，ｋ＝
φ ｋ＋１，１ φ ｋ＋１，２ … φ ｋ＋１，ｋ＋１ ρ １ ρ ２ … ρ ｋ＝
ρ １ ρ ２ … ρ ｋ＋１ ρ ｋ．
ρ ρ ｋｋ－１ ρ １１ … ρ ｋ－２
ρ ｋ－１ ρ ｋ－２ … １
－φ ｋ＋１，ｋ＋１
ρ ｋ－１ … ρ １
ρ １ ρ ２ … ρ ｋ＋１ ρ ｋ－１ ρ ｋ－２ … １
－１
ρ ｋ ρ ｋ－１ … ρ １
１８３
于是 φ （ｊ＝１， …，ｋ）．ｋ＋１，ｊ＝φ ｋｊ－φ ｋ＋１，ｋ＋１ φ ｋ，ｋ＋１－ｊ又由（８．２７）式有

ｋ＋１ｋ
ρ ｋ＋１＝
φ ρ ｋ＋１，ｊｋ＋１－ｊ＝ φ ｋ＋１，ｋ＋１＋
ｋ
ｊ＝１
φ ρ ｋ＋１，ｊｋ＋１－ｊ
ｊ＝１
＝φ ｋ＋１，ｋ＋１＋＝φ ｋ＋１，ｋ＋１＋
６６
（φ ） ρ ｋｊ－φ ｋ＋１，ｋ＋１ φ ｋ，ｋ＋１－ｊｋ＋１－ｊ

ｋ
ｊ＝１ｋ
ｊ＝１
φ ρ ｋｊｋ＋１－ｊ－ φ ｋ＋１，ｋ＋１６
ｋｋ
φ ρ ｋ，ｋ＋１－ｊｋ＋１－ｊ
ｊ＝１
＝φ φ ρ φ ρ ｋ＋１，ｋ＋１１－６ｋｌｌ＋６ｋｊｋ＋１－ｊ，

ｌ＝１ｊ＝１
故
ｋｋ
φ ρ ρ φ ｋ＋１，ｋ＋１＝ｋ＋１－６ｋ＋１－ｊｋｊ

ｊ＝１
１－６ ρ φ ｊｋｊ
ｊ＝１
－１
　　例８．６　求下列模型的偏相关函数：（１）Ｘ５Ｘ４Ｘｔ＋０．ｔ－１－０．ｔ－２－ａｔ；（２）Ｘ５Ｘ．３ａｔ－０．ｔ－１＝ａｔ－０ｔ－１．解　（１）因为是ＡＲ（２）模型，例８．３中已求得自相关函数为 φ １ ρ ρ ， ρ ｋ ≥２），０＝１，１＝ｋ＝φ １ρ ｋ－１＋ φ ２ρ ｋ－２（１－ φ ２其中 φ ５， φ ４，由（８．２９）式得 φ ８３３，令（８．２９）式的１＝－０．２＝０．１１＝ρ １＝－０．ｋ＝１，得 φ ρ ）（１－ρ ＝０．４， φ ０（ｋ ≥２）．２２＝（２－ρ １φ １１１φ １１）４４＝　　（２）因为是ＡＲＭＡ（１．１）模型，例８．４已推出自相关函数为（１－φ ）（φ １θ １１－θ １）ｋ－１ ρ φ （ｋ≥１），ｋ＝２１１＋θ φ １－２１θ １其中 φ ．５， θ ３，代入上式得１＝０１＝０． ρ ２１５（０．５）（ｋ≥ １）．ｋ＝０．由（８．２９）式得 φ ２１５，令（８．２９）式中ｋ＝１，得φ （ ρ （１－１１＝ ρ １＝０．２２＝２－ρ １φ １１） ρ ）＝０．１１３， φ １９１再令（８．２９）式中ｋ＝２，并代入１φ １１２１＝ φ １１－φ ２２φ １１＝０． ρ １０８， ρ ．０５４得２＝０．３＝０ φ １９，３１＝φ ２１－ φ ３３ φ ２２＝０． φ １１１．３２＝ φ ２２－ φ ３３φ ２１＝０．再令ｋ＝３，求φ φ φ φ …，依次递推可求出各个偏相关函数值．４４，４１，４２，４３，例中（２）的求解过程即为具体的递推程序．
－１ｋ－１－１
１８４
对于ＡＲＭＡ（ｐ，ｑ）模型， φ （Ｂ）Ｘ（Ｂ）ａ由（８．１９）式的逆转形式ｔ＝θ ｔ，

∞
ａ（Ｂ）Ｘ（－Ｉ）ＢＸ（Ｉ），ｔ＝Ｉｔ＝６ｉｔ０＝－１
ｉｉ＝０
说明有限阶的ＡＲＭＡ（ｐ，ｑ）序列或ＭＡ（ｑ）序列可以转化为无限阶的ＡＲ（ｐ）序列．因此，它们的偏相关函数将是拖尾的．以上对平稳时间序列的特性进行了理论的分析，上述结果对初步识别平稳时间序列的类型提供了依据，我们将这些结果列于表８－１．
表８－１　　　　　　模型　　类别模型方程平稳条件自相关函数偏相关函数ＡＲ（ｐ） φ （Ｂ）Ｘｔ＝ａｔ φ （Ｂ）＝０的根全在单位圆外拖　尾截　尾ＭＡ（ｑ）Ｘ（Ｂ）ａｔ＝ θ ｔ无条件平稳截　尾拖　尾ＡＲＭＡ（ｐ，ｑ） φ （Ｂ）Ｘ（Ｂ）ａｔ＝θ ｔ φ （Ｂ）＝０的根全在单位圆外拖　尾拖　尾
§ ８．３　模型阶数的确定
上节讨论了模型的识别，是根据理论自相关函数或偏相关函数是否截尾来判断．但是，在实际中人们所获得的观测数据只是一个有限长度Ｎ的样本值ｘ …，ｘ ρ φ １，Ｎ．由它们算出的样本自相关函数＾ｋ和样本偏相关函数＾ｋｋ只是ρ ｋ和 φ ｋｋ的估计值．由于样本的随机性，其估计总可能有误差．故对于ＡＲ（ｐ）序列，当ｋ＞ｐ时， φ ＾而是在零附近波动．同理，对于ＭＡ（ｑ）序列，当ｋｋ可能不会全为零，ｋ＞ｑ时，＾ ρ 就是如何用样本自相关函数和ｋ也可能不会全为零．本节讨论的问题，样本偏相关函数来推断模型的阶．
一、样本自相关函数和样本偏相关函数
设有零均值平稳时间序列｛Ｘ｝的一段样本观测值ｘ …，ｘ样本协方差ｔ１，Ｎ，函数定义为 γ ｋ＝γ －ｋ＝
＊＊
１ｘｘ（ｋ＝０，１， …，Ｎ－１）．ｉｉ＋ｋＮ－ｋ６ｉ＝１
Ｎ－ｋ
＊＊易知， γｋ＾是γ 但不一定是非负定的．故常用如下估计式代替＾ γｋ：ｋ的无偏估计，
§ ８．３　模型阶数的确定
１８５
＾ γ ｋ＝
１ｘｘ（ｋ＝０，１， …，Ｎ－１）．ｉｉ＋ｋＮ６ｉ＝１＾ γ ｋ＾ ρ （ｋ＝０，１， …，Ｎ－１）ｋ＝ γ ＾０
Ｎ－ｋ
（８．３０）
同理样本自相关函数定义为（８．３１）
（８．３０）式是 γ 但｛＾ γ ｝是非负定的．事实上，设当ｔ＞Ｎ或ｔ ≤０ｋ的有偏估计，ｋ时，ｘ对于任意的ｍ个实数λ …， λ ｔ＝０，１，ｍ有

ｍｍｍｍＮ－｜ｊ－ｉ｜
６６
ｉ＝１
λ λ ＾ λ ｉｊｊ－ｉ＝＝＝＝
ｊ＝１
１Ｎ６ｉ＝１１Ｎ６ｉ＝１１Ｎ６ｉ＝１１Ｎ６ｉ＝１
∞ ｍｍｍ
６６６６
λ λ ｉｊ
ｊ＝１ｍ
６
∞
ｘｘｔｔ＋｜ｊ－ｉ｜ｘｘｔｔ＋｜ｊ－ｉ｜ｘｘｔｔ＋ｊ－ｉｘｘｔ＋ｉｔ＋ｊ
２
ｉ＝１
ｊ＝１ｍ
λ λ ｉｊ６ λ λ ｉｊ６ λ λ ｉｊ６
ｍ
ｔ＝－ ∞ ∞
ｊ＝１ｍ
ｔ＝－ ∞ ∞
ｊ＝１
ｔ＝－ ∞
１＝Ｎｔ６＝－∞
λ ｘｉｔ＋ｉ
≥０．
ｉ＝１
实际问题中，Ｎ一般取得较大（不少于５０），故（８．３０）式看作是渐近无偏的．由于（８．３０）式的估计误差随ｋ增大而增大，一般取ｋ＜Ｎ／４（常取ｋ＝Ｎ／１０左右）．由（８．３１）式计算得＾ ρ 代入（８．２９）式即得＾ φ ｋ后，ｋｋ的值．
二、＾ ρ φ ｋ和＾ｋｋ的渐近分布及模型的阶
下面不加证明地给出｛＾ ρ ｝和｛＾ φ 的渐近分布．ｋｋｋ｝（１）设｛Ｘ｝是正态的零均值平稳ＭＡ（ｑ）序列，则对于充分大的Ｎ， ρ ＾ｔｋ的分１２布渐近于正态分布Ｎ０，１＋２６＾ ρ ｉＮｉ＝１ ρ Ｐ｜＾ｋ｜≤ 或 ρ Ｐ｜＾ｋ｜≤ １Ｎ
ｑｑ
．由正态分布的性质知，有
２１／２
１＋２６＾ ρ ｉ
ｉ＝１ｑ
≈６８．３％， ≈９５．５％．
２２１＋２６＾ ρ ｉＮｉ＝１
ｑ
１／２
实际应用中，因为ｑ一般不很大，而Ｎ很大，此时常取１２１１＋２６＾ ρ ，ｉ ≈ ＮＮｉ＝１

２即认为＾ ρ （０，（１／Ｎ）），于是有ｋ的分布渐近于正态分布Ｎ
１８６
＾ ρ ｜≤ Ｐ｜ｋ或＾ ρ ｜≤ Ｐ｜ｋ
１ ≈６８．３％，Ｎ２Ｎ ≈９５．５％．
于是，＾ ρ 首先计算＾ ρ …， ρＭ（取Ｍ＝Ｎ＾／１０左右），因为ｑ值ｋ的截尾性判断如下：１，未知，故令ｑ取值从小到大，分别检验＾ ρ ＾ ρ …， ρＭ满足＾ｑ＋１，ｑ＋２，｜＾ ρ ｜≤ ｋ１２　或　｜ ρ ＾｜≤ ｋＮＮ
的比例是否占总个数Ｍ的６８．３％或９５．５％．第一个满足上述条件的ｑ就是＾ ρ ｋ的截尾处，即ＭＡ（ｑ）模型的阶数．（２）设｛Ｘ｝是正态的零均值的平稳ＡＲ（ｐ）序列，则对于充分大的Ｎ， φ ＾ｔｋｋ的分布也渐近于正态分布Ｎ（０，（１／Ｎ））．所以，可类似于（１）的步骤对＾ φ ｋｋ的截尾性进行判断．（３）若｛＾ ρ φ ＾但收敛于零的速率较快，则｛Ｘ｝可能是ｋ｝和｛ｋｋ｝均不截尾，ｔＡＲＭＡ（ｐ，ｑ）序列．此时阶数ｐ和ｑ较难于确定，一般采用由低阶到高阶逐个试探，如取（ｐ，ｑ）为（１，１），（１，２），（２，１）， …直到经检验认为模型合适为止．例８．７　设从观测样本大小Ｎ＝１５０的时间序列数据计算得样本自相关函数值和偏相关函数值如表８－２．
表８－２ｋ＾ ρ ｋ φ ＾ｋｋｋ＾ ρ ｋ φ ＾ｋｋ１０．８００．８０８０．０５０．０２９０．０３０２０．５９－０．１５１００．０３０．０４３０．４２０１１０．０３４０．３２０．０８１２０５０．２５－０．０３１３１４６０．１７－０．０６１５７０．１０－０．０２１６
２
－０．０５－０．０７－０．０８－０．０４０．０１００．０９
－０．０２－０．０９－０．０４
因为２／Ｎ＝０．１６３，从表中数据看出，＾ ρ 但不能认为是截尾ｋ随ｋ增大趋于零，的．而＾ φ 从ｋ＝２起它取值的绝对值都小于０．１６，故初步识别该序列ｋｋ有截尾性，属于ＡＲ（１）模型．由于｜＾ φ ｜＝０．１５很接近于０．１６，故也可以考虑它是ＡＲ（２）２２模型．例中看出模型的识别有一定的灵活性，同一序列可以考虑不同的模型拟合．但是，在样本大小Ｎ一定时，模型的阶数尽可定低，因阶数越高，各种参数估计精度会降低．在实际应用中，应根据实际效果的好坏进行考核模型是否可以接
§ ８．４　模型参数的估计
１８７
受．当然，在理论上也可以探讨较精确的识别模型方法，或对模型进行理论考核的方法．下面将进一步讨论．
三、模型定阶的ＡＩＣ准则
现在给出赤池提出的ＡＩＣ准则定义为２ＡＩＣ（ｋ）＝ｌｎ＾ σ ｋ／Ｎ（ｋ＝０，１， …，Ｌ），ａ＋２
ｋ２其中＾ σ γ ａ＝＾０－
φ ＾ γ ＾Ｎ为样本大小，Ｌ为预先给定的最高阶数．ｊｊ，
０≤ ｋ ≤ Ｌ
ｊ＝１
若ＡＩＣ（ｐ）＝ｍｉｎＡＩＣ（ｋ），则定ＡＲ模型的阶数为ｐ．同理，对于ＡＲＭＡ序列的ＡＩＣ准则定义为ＡＩＣ（ｎ，ｍ）＝ｌｎ＾ σ （ｎ＋ｍ＋１）／Ｎ．ａ＋２若ＡＩＣ（ｐ，ｑ）＝ｍｉｎＡＩＣ（ｎ，ｍ）则定ＡＲＭＡ模型的阶数为（ｐ，ｑ）．其中＾ σ ａ
０≤ ｎ，ｍ ≤ Ｌ２２
是相应的ＡＲＭＡ序列的 σ ａ的最大似然估计值．
当选定模型及确定阶数后，进一步的问题是要估计出模型的未知参数．参数估计方法有矩法、最小二乘法及最大似然法等．这里仅介绍矩法．它虽然较粗糙，但较简单，且在有些情况下，矩法与其它较精确估计很接近．
一、ＡＲ（ｐ）模型的参数估计
设｛Ｘ｝的拟合模型为ｔＸｔ＝φ １Ｘｔ－１＋…＋φ ｐＸｔ－ｐ＋ａｔ．此时要估计的参数为 φ φ …， φ ８．１５）式和（８．１６）式，将各参数１，２，ｐ和 σ ａ．利用（换成它们的估计，可得＾ φ １＾ φ ２ … ＾ φ ｐ＝１＾ ρ １ … ＾ ρ ｐ－１
ｐ２
＾ ρ １１ … ＾ ρ ｐ－２
… ＾ ρ ｐ－１ … ＾ ρ ｐ－２ … … １
－１
＾ ρ １＾ ρ ２ … ＾ ρ ｐ，（８．３２）
２＾ σ γ φ ＾ γ＝＾ γ φ ＾ ρ ａ＝＾０－６＾ｊ０１－６＾ｊｊ．ｊ＝１ｊ＝１
（８．３３）
（８．３２）式和（８．３３）式是ＡＲ（ｐ）模型全部参数的估计公式．
二、ＭＡ（ｑ）模型的参数估计
设｛Ｘ｝的拟合模型为ｔ
１８８
Ｘａｔ＝ａｔ－θ １ａｔ－１－…－θ ｑｔ－ｑ．

２此时要估计的参数为 θ θ …， θ （８．１０）式，将各参数换成估计，得１，２，ｑ和σ ａ．利用
＾ γ ｋ＝
＾ σ （１＋＾ θ θ ），ｋ＝０，ａ１＋…＋＾ｑ＾ σ （－＾ θ ＾ θ θ ＾ θ θ ＾），１≤ｋ≤ｑ．ａｋ＋ｋ＋１＾１＋…＋ｑｑ－ｋ

２
（８．３４）
上式是参数的非线性方程组，可以直接求解，也可以用其它方法求解．下面介绍用迭代法求解的步骤．首先将（８．３４）式写成 σ ＾ γ １＋＾ θ θ ），ａ＝＾０（１＋…＋＾ｑ θ ＾ γ ／＾ σ ＾ θ θ θ θ １＝－＾１ａ＋１＾２＋…＋＾ｑ－１＾ｑ，
２ θ ＾ γ ／＾ σ ＾ θ θ θ θ ２＝－＾２ａ＋１＾３＋…＋＾ｑ－２＾ｑ，２２２２－１
（８．３５）
θ ＾ γ ／＾ σ ＋＾ θ θ ｑ－１＝－＾ｑ－１１＾ｑ，
２ θ ＾ γ ／＾ σ ｑ＝－＾ｑａ．
２ａ
然后，选取一组初始值，如＾ θ ０）＝ … ＝＾ θ ０）＝０，＾ σ ０）＝＾ γ σ ０）＝１（ｑ（ａ（０（或＾ａ（＾ γ ／２），代入（８．３５）式右边，可得一步迭代值０＾ σ （１）＝＾ γ ＾ θ （１）＝－＾ ρ （ｋ＝１，２， …，ｑ）．ａ０，ｋｋ，再将它们代入（８．３５）式，可得二步迭代值．
ｑ２
＾ σ （２）＝＾ γ ａ０
１＋６＾ ρ ，ｋ
２ｋ＝１
θ ＾（２）＝－＾ ρ ρ ρ ρ ρ １１＋＾１＾２＋ … ＋＾ｑ－１＾ｑ， θ ＾（２）＝－＾ ρ ρ ρ ρ ρ ２２＋＾１＾３＋ … ＋＾ｑ－２＾ｑ， θ ＾２）＝－＾ ρ ρ ρ ｑ－１（ｑ－１＋＾１＾ｑ， θ ＾（２）＝－＾ ρ ｑｑ如此重复迭代，直至＾ σ（ｍ）与＾ σ （ｍ－１），＾ θ （ｍ）与＾ θ ）变化不大，达到ａｋ－１（ｍ－１
２２精度要求为止．此时参数的估计值为＾ σ σ （ｍ），＾ θ ＾ θ （ｍ）（ｋ＝１， …，ｑ）．ａ＝＾ａｋ＝ｋ２ａ２
三、ＡＲＭＡ（ｐ，ｑ）模型的参数估计

设｛Ｘ｝的拟合模型为ｔＸａｔ－φ １Ｘｔ－１－…－ φ ｐＸｔ－ｐ＝ａｔ－θ １ａｔ－１－…－ θ ｑｔ－ｑ．此时要估计的参数为 φ …， φ θ …， θ σ １，ｐ，１，ｑ，ａ．可以按下列步骤进行估计．第一步，先求ＡＲ部分的参数估计值＾ φ ｋ．利用（８．２３）式，将参数换成它们的估计，得
２
１８９
φ ＾１ φ ＾２ … φ ＾ｐ＝
ρ ＾ｐ＾ ρ ｑ＋１ … ＾ ρ ｑ＋ｐ－１
＾ ρ ｑ－１ ρ ＾ｑ … ＾ ρ ｑ＋ｐ－２
… ＾ ρ ｑ－ｐ＋１ … ＾ ρ ｑ－ｐ＋２ … … ＾ ρ ｑ
－１
ρ ＾ｑ＋１ ρ ＾ｑ＋２ … ＾ ρ ｑ＋ｐ．
这里由于未考虑ＭＡ部分的作用，故所得的＾ φ ｋ是近似值．第二步，令Ｙ φ φ 得Ｙｔ＝Ｘｔ－＾１Ｘｔ－１－…－＾ｐＸｔ－ｐ，ｔ的协方差函数为

ｐｐ
γ （Ｙ）＝ＥＹｔＹｔ＋ｋ＝６ｋ
ｐｐ
ｉ＝０
Ｘ＾ φ φ ＾ｔ－ｉＸｔ－ｊ－ｋｉｊＥ
ｊ＝０
＝６
ｉ＝０
＾ φ ＾ φ γ （ φ ＾）．ｉｊｋ＋ｊ－ｉ０＝－１
ｊ＝０
用Ｘ γ 得＾ γ （ｙ）的表达式ｔ的协方差估计＾ｋ代替γ ｋ，ｋ

ｐｐ
＾ γ （Ｙ）＝ｋ
６６
ｉ＝０
φ ＾＾ φ ＾ γ ｉｊｋ＋ｊ－ｉ．
ｊ＝０
　　第三步，把｛Ｙ｝近似看作ＭＡ（ｑ）序列，即ＡＲＭＡ（ｐ，ｑ）模型改写成ｔＹａｔ ≈ａｔ－θ １ａｔ－１－…－ θ ｑｔ－ｑ．

２此时可用ＭＡ（ｑ）模型参数估计法得＾ σ ＾ θ …， θ ＾ａ，１，ｑ．
利用以上介绍的模型参数估计方法和公式，一般可以在计算机上进行各种参数估计．作为例题，对较低阶数模型，可以采用解方程的方法，直接求出参数估计的表达式．例８．８　求ＡＲ（１）模型和ＡＲ（２）模型的参数估计式．解　利用（８．１４）和（８．１６）式，对于ＡＲ（１）模型有
２＾ φ ρ σ ＾ γ φ γ γ １－＾ φ ρ １＝＾１，ａ＝＾０－＾１＾１＝＾０（１＾１）．
对ＡＲ（２）模型，有＾ ρ φ φ ρ ＾ ρ φ ρ φ １＝＾１＋＾２＾１，２＝＾１＾１＋＾２，解得＾ φ ρ （１－＾ ρ ）／（１－＾ ρ ），＾ φ ＾ ρ ＾ ρ ／（１－＾ ρ １＝＾１２１２＝（２－１）１），＾ σ γ （１－＾ φ ρ φ ρ ａ＝＾０１＾１－＾２＾２）．　　例８．９　求ＭＡ（１）模型和ＭＡ（２）模型的参数估计式．解　利用（８．３４）式，对于ＭＡ（１）模型，有＾ γ σ （１＋＾ θ ）， γ ＾ σ （－＾ θ ，０＝＾ａ１１＝＾ａ１）于是 γ ＾１ θ ＾１＝－２，＾ σ ａ代入第一式得
２２２２２２２２
１９０
２２２２（＾ σ ）－＾ γ σ γ ａ０＾ａ＋＾１＝０，
解得１± １－４＾ ρ ２１ σ ＾ γ ，ａ＝＾０２
２将＾ σ θ 得ａ代入＾１式中，２
－２＾ ρ １＾ θ ，１＝２１± １－４＾ ρ １注意到可逆性条件，应取｜＾ θ １｜＜１．因为２＾ ρ １・＝１，２１＋１－４ ρ １＾－１－４＾ ρ １

２１
２ ρ ＾１
２＾ ρ １１＋１－４＾ ρ １
２２
＜１，
２＾ ρ １＋１－４＾ ρ １２１故取＾ θ ， σ ＾ γ ．对于ＭＡ（２），可类似ＭＡ（１）进行１＝ａ＝＾０２２１＋１－４＾ ρ １推导，但因较烦琐，只给出结果如下：　　　　＾ θ ２＝１１１－－２４＾ ρ ２＾ ρ ２２ ± ＾ ρ ２＋１２

２
－＾ ρ １
２２
１１１－－２４＾ ρ ２ ρ ＾２２
１＾ ρ ２＋２
－＾ ρ
２１
－１，
其中“±”号依＾ ρ ０或＾ ρ ２＞２＜０分别取“－”或“＋”．＾ ρ θ ρ ＾１＾２２２＾ θ ，＾ σ γ ．１＝ａ＝－＾０ ρ ＾１－＾ θ θ ＾１（２）２
§ ８．５　模型的检验
由样本观测序列｛ｘｔ＝１， …，Ｎ｝，经过模型的识别、阶数的确定和参数估ｔ，计，可以初步建立｛Ｘ｝的模型．这样建立的模型一般还需要进行统计检验，只有ｔ经检验确认模型基本上能反映｛Ｘ｝的统计特性时，用它进行预测才能获得良好ｔ的结果．模型的所谓自相关函数检验法．其基本思想是，如果模型是正确的，则模型的估计值与实际观测值所产生的残差序列ａｘ（ｔ＝１， …，Ｎ）应是ｔ＝ｘｔ－＾ｔ随机干扰产生的误差，即｛ａ｝应是白噪声序列．否则，模型不正确．ｔ设ｘｘ …，ｘＮ为观测序列，不妨设初步选定为ＡＲＭＡ（ｐ，ｑ）模型１，２，ａｔ＝Ｘｔ－φ ｔＸｔ－１－…－ φ ｐＸｔ－ｐ＋θ １ａｔ－１＋…＋θ ｑａｉ－ｑ，
§ ８．６　平稳时间序列预报
１９１
代入参数估计和观测值得ａ φ φ ＾ θ θ ａｔ＝ｘｉ－＾１ｘｉ－１－…－＾ｐｘｉ－ｐ＋１ａｉ－１＋…＋＾ｑｉ－ｑ（ｉ＝１，２， …，Ｎ），规定为零，由（８．３６）式得　　ａ１＝ｘ１，　　ａ φ θ ＾ φ θ ）ｘ２＝ｘ２－＾１ｘ１＋＾１ａ１＝ｘ２－（１－＾１１，　　ａ φ θ ３＝ｘ３－＾１ｘ２＋＾１ａ２，＾ φ θ ）＋＾ θ （＾ φ ＾ θ ）ｘ＝ｘ＾ φ θ ）ｘ２－＾２１１－１３－（１－＾１２－（１，　　ａ φ θ Ｎ＝ｘＮ－＾１ｘＮ－１＋＾１ａＮ－１．现在的问题是要检验假设Ｈ｛ａｔ＝１，２， …，Ｎ｝为白噪声序列．０：ｔ，由ａａ …，ａ记１，２，Ｎ计算序列的协方差函数和自相关函数估计值，１＾ γ （ａ）＝６ａａ（ｋ＝０，１， …，Ｍ），ｋＮｔ＝１ｔｔ＋ｋ其中Ｍ取Ｎ／１０左右．＾ ρ （ａ）＝ｋ＾ γ （ａ）ｋ（ｋ＝１，２， …，Ｍ）． γ ＾ａ）０（
Ｎ－ｋ
（８．３６）
若ｔ＝０作为开始时刻，则上式中对于ｉ ≤ ｐ，ｉ ≤ｑ的下标为零或负的项，其取值
可以证明，当Ｈ（Ｎ＾ ρ ａ），Ｎ＾ ρ ａ）， …，０为真时，对于充分大的Ｎ，１（２（Ｎ＾ ρ ａ））的联合分布渐近于Ｍ维独立标准正态分布Ｎ（０，Ｉ．于是，统计Ｍ（Ｍ）量

Ｍ
ＱＭ＝Ｎ６＾ ρ （ａ）ｉ
２ｉ＝１
服从自由度为Ｍ的 χ 分布．由假设检验理论知，对于给定的显著性水平 α，查

２２表得 χ （Ｍ），若计算得ＱＭ＞χ （Ｍ），则在水平 α上否定假设Ｈ即所选择的 α α ０，
估计模型不合适，应重新选择较合适的模型，否则，就认为估计模型选择合适．
根据时间序列观测数据，建立了一个与实际问题相适应的模型后，就可以利用过去和现在的观测值，对该序列未来时刻的取值进行估计，即预报．关于预报效果优劣的标准，下面采用的是在平稳线性最小方差意义下的预报．
一、最小方差预报
设｛Ｘ｝是零均值平稳序列，并假定它是正态的．令＾Ｘ（ｌ）表示用时刻ｔ及ｔｔ
１９２
它之前的全部观测数据，即｛ＸＸ …｝的取值对未来ｔ＋ｌ时刻的Ｘ（ｌ＞０）ｔ，ｔ－１，ｔ＋ｌ的取值所作的预报．现在的问题是，要找出一个如下形式的线性函数：＾Ｘ（ｌ）＝ｃｔ０Ｘｔ＋ｃ１Ｘｔ－１＋ｃ２Ｘｔ－２＋… 使预报的误差均方值（ｌ）＝ＥＸＸ（ｌ）＝ｍＥｅｉｎ．ｋｔ＋ｌ－＾ｔ这样的＾Ｘ（ｌ）称为Ｘｔｔ＋ｌ的线性最小方差预报．由于｛ＸＸ …｝一般是相关的，故＾Ｘ（ｌ）用它们的线性组合形式表示不ｔ，ｔ－１，ｔ便研究，为此先介绍几个定理．对于零均值正态ＡＲＭＡ（ｐ，ｑ）序列，利用其等价的传递形式和逆转形式，令
∞ ∞ ２ｃｃｊＸｋ－ｊ，ｊ实数，ｊ＜ ∞ ，６ｃｊ＝０ ∞ ２２２
（８．３７）
ＸＸ｜Ｘ＝ｋ＝
６
∞
ｊ＝０
Ａｋ＝ａ｜ａ＝６ｄａｄｊｋ－ｊ，ｊ实数，ｊ＜ ∞ ，６ｄ
ｊ＝０ｊ＝０ ∞
则有Ｘ对任何Ｙ∈Ａｋ，必存在实数ｕｋ＝Ａｋ．事实上，ｊ，６
∞
ｕ使Ｙ＝ｊ＜ ∞，
ｊ＝０
ｕａ利用逆转形式（８．１９）式，ａ故Ｙ∈ ｊｋ－ｊ．ｋ－ｊ均可表示成Ｘｋ的线性组合形式，
ｊ＝０
Ｘｋ；反之，对任何Ｙ∈Ｘ利用传递形式（８．１８）式，Ｘｋ，ｋ－ｊ均可表示成ａｋ的线性组合形式，故Ｙ∈Ａｋ．对于正态平稳序列，满足（８．３７）式的平稳线性最小方差预报＾Ｘｌ）就是ｋ（ＸＸＸ … ｝时的条件均值，且表示成ｋ＋ｌ在给定｛ｋ，ｋ－１，｜Ｘｊ＝０，１， … Ｘｋ（＾ｌ）＝ＥＸｋ＋１ｋ－ｊ＝ｘｋ－ｊ，｜ＸＫ＝ＥＸ｜Ａｋ．＝ＥＸｋ＋ｌｋ＋ｌ　　最小方差预报具有下列性质：
∞ ∞
（８．３８）
（１）Ｅ
ｃ｜Ｘｋ＝ｊＸｋ－ｊ
ｊ＝０
Ｘ｜Ｘｃｋ－ｊｋ；ｊＥ＾Ｘ（ｌ），ｌ＞０，ｋＸｋ＋１，０，ｌ ≤０；ｌ＞０，
（８．３９）（８．４０）（８．４１）
ｊ＝０
｜Ｘｋ＝ＥＸ｜Ａ（２）ＥＸｋ＋ｌｋ＋ｌｋ＝｜Ａｋ＝Ｅａ｜Ｘ（３）Ｅａｋ＋ｌｋ＋ｌｋ＝
ａ ≤０．ｋ＋ｌ，ｌ
定理８．５　设零均值ＡＲＭＡ（ｐ，ｑ）序列｛Ｘ｝具有传递形式Ｘｔｔ＝
∞
Ｇａ其中Ｇ则ｊｔ－ｊ，ｊ为格林函数，
ｊ＝０

∞
１９３
＾Ｘ（ｌ）＝ｋ
Ｇａｊ＋ｌｋ－ｊ，
ｌ－１２
（８．４２）（８．４３）
ｊ＝０
（ｌ）＝σ Ｄｅｋａ６　　证　因为＾Ｘ（ｌ）∈Ａ故有ｋｋ，
∞
Ｇｊ．
ｊ＝０
Ｘｋ（＾ｌ）＝（ｌ）＝ＥＸＸ（ｌ）　　Ｄｅｋｋ＋ｌ－＾ｋ
∞ ２
＊ｄｊａｋ－ｊ，
（８．４４）
ｊ＝０
＝Ｅ＝Ｅ
ｌ－１
６６
Ｇａｊｋ＋ｌ－ｊ－Ｇａｊｋ＋ｌ－ｊ－
２
ｊ＝０ｌ－１
６６
＊ｄｊａｋ－ｊ
ｊ＝０ ∞ ＊（Ｇａｊ＋ｌ－ｄｊ）ｋ－ｊ ∞ ２
ｊ＝０２ＧｊＥａｋ＋ｌ－ｊｌ－１ ∞
ｊ＝０２
＝６＝σ
ｊ＝０２ａ＊
＊２ａ＋６（Ｇｋ－ｊｊ＋ｌ－ｄｊ）Ｅｊ＝０
Ｇ＋
２ｊ
ｊ＝０
（Ｇ．ｊ＋ｌ－ｄｊ）
ｊ＝０
显然，当取Ｇ有ｊ＋ｌ＝ｄｊ时，
ｌ－１
（ｌ）＝σ Ｄｅｋａ６
２
Ｇｊ］ｍｉｎ．
ｊ＝０
（８．４３）式得证．再代入（８．４４）式即得（８．４１）式，证毕．定理的（８．４１）式给出了计算ｌ步预测值的格林函数方法，格林函数Ｇｊ可由ＡＲＭＡ（ｐ，ｑ）模型的参数递推计算．当ｄ易知ｊ＝Ｇｊ＋ｌ时，ｅ（ｌ）＝ＸＸ（ｌ）＝ａｋｋ＋ｌ－＾ｋｋ＋ｌ＋Ｇ１ａｋ＋ｌ－１＋…＋Ｇｌ－１ａｋ＋１，令ｌ＝１得ｅ（１）＝ＸＸ（１）＝ａｋｋ＋１－＾ｋｋ＋１．
２（１）＝σ 这说明ｋ时刻的一步预报误差就是ａ因此Ｄｅｋｋ＋１，ａ．＊
在正态性假定下，ＸＸＸ …｝的条件分布为Ｎ（＾Ｘｌ），ｋ＋ｌ对于给定｛ｋ，ｋ－１，ｋ（Ｄ［ｅ（ｌ）］），因此，Ｘｋｋ＋ｌ的１－ａ置信区间为（＾Ｘ（ｌ）－ｕ（１＋Ｇ）＾ σ ｋａ／２１＋…＋Ｇｌ－１ａ，

２２１／２＾Ｘ（ｌ）＋ｕ１＋Ｇ σ ）．ｋａ／２（１＋…＋Ｇｌ－１）＾ａ２２１／２
（８．４５）（８．４６）
　　定理８．６　设｛Ｘ｝是零均值ＡＲＭＡ（ｐ，ｑ）序列，则有预报的差分方程ｔ＾Ｘ（ｌ）＝ φ Ｘ（ｌ－１）＋…＋ φ Ｘ（ｌ－ｐ）（ｌ＞ｑ）．ｋ１＾ｋｐ＾ｋ　　证　因为Ｘｋ＋ｌ＝ φ １Ｘｋ＋ｌ－１＋…＋ φ ｐＸｋ＋ｌ－ｐ＋ａｋ＋ｌ
１９４
－θ ａ１ａｋ＋ｌ－１－…－ θ ｑｋ＋ｌ－ｑ，当ｌ＞ｑ时，由（８．４１）式可得｜Ｘ　　　＾Ｘｋ（ｌ）＝ＥＸｋ＋１ｋＸ｜Ｘｋ＝φ ＋…＋φ １ＥＸｋ＋ｌ－１｜ｋｐＥＸｋ＋ｌ－ｐ＝φ Ｘ（ｌ－１）＋…＋φ ＾Ｘｋ（ｌ－ｐ），１＾ｋｐ证毕．　　定理表明，若ｑ步以内的预报值＾Ｘ（１）， …，＾Ｘ（ｌ）已知，则超过ｑ步的预报ｋｋ值可由（８．４６）式推得．特别，当｛Ｘ｝是ＭＡ（ｑ）序列时，（８．４６）式变为ｔ＾Ｘ（ｌ）＝０（ｌ＞ｑ）．ｋ这表明，对于ＭＡ（ｑ）序列，超过ｑ步的预报值为零．定理８．７　设｛Ｘ｝是零均值ＡＲＭＡ（ｐ，ｑ）序列，则有预报递推公式ｔＸＸｋ（１）．＾Ｘ（ｌ）＝＾Ｘ（ｌ＋１）＋Ｇｋ＋１－＾ｋ＋１ｋｌ　　证　由（８．４２）式有
∞ ∞
（８．４７）
（８．４８）
Ｘｋ＋１（＾ｌ）＝６
ｊ＝０
Ｇａａｌ＋ｊｋ＋１－ｊ＝Ｇｌｋ＋１＋６
∞
Ｇａｌ＋ｊｋ＋１－ｊ
ｊ＝１
＝ＧＸｋ（１）＋６ｌＸｋ＋１－＾
Ｇｌ＋ｊ＋１ａｋ－ｊ
ｊ＝０
Ｘｋ（１）＋＾＝ＧＸ（ｌ＋１），ｌＸｋ＋１－＾ｋ证毕．定理表明，基于ｋ＋１时刻的ｌ步预测值，可由该时刻的观测值与基于前一时刻ｋ的ｌ＋１步预报值递推而得．
二、各种模型的预报方法
（１）ＡＲ（ｐ）序列的预报由（８．４６）式，令ｑ＝０即得ＡＲ（ｐ）序列的预报递推公式＾Ｘ（ｌ）＝φ Ｘｋ（ｌ－１）＋…＋ φ Ｘ（ｌ－ｐ）（ｌ＞０）．ｋ１＾ｐ＾ｋ对于ｌ ≤０，显然有＾Ｘｋ（ｌ）＝Ｘｋ＋ｌ，Ｘ＾（１）＝φ ｋ１Ｘｋ＋φ ２Ｘｋ－１＋…＋φ ｐＸｋ－ｐ＋１，Ｘ＾（２）＝φ Ｘ（１）＋φ ｋ１＾ｋ２Ｘｋ＋…＋ φ ｐＸｋ－ｐ＋２，（８．５１）Ｘ＾（ｐ）＝ φ Ｘｋ（ｐ－１）＋ φ Ｘｋ（ｐ－２）＋…＋ φ Ｘｋ（１）＋φ ｋ１＾２＾ｐ－１＾ｐＸｋ，Ｘ＾（ｌ）＝φ Ｘ（ｌ－１）＋…＋φ Ｘ（ｌ－ｐ）（ｌ＞ｐ）．ｋ１＾ｋｐ＾ｋ（８．５０）其中 φ （ｉ＝１， …，ｐ）是由样本序列确定的估计值．由（８．４９）式和（８．５０）式可得ｉ（８．４９）
１９５
　　从（８．５１）式看出，对于ＡＲ（ｐ）序列，其预报值＾Ｘｌ）计算只需用到ｋ时刻ｋ（前的ｐ个观测数据ＸＸ …，Ｘｋ，ｋ－１，ｋ－ｐ＋１．预报精度随步数ｌ增大而降低．利用（８．４５）式确定ＡＲ（ｐ）序列的Ｘ其格林函数ｋ＋ｌ的１－ α置信区间时，Ｇ（ｊ＝１， …，ｌ－１）可用下列方法递推而得．ｊ因为ＡＲ（ｐ）模型为 φ （Ｂ）Ｘ传递形式为Ｘ（Ｂ） α 代入上式得ｔ＝α ｔ，ｔ＝Ｇｔ， φ （Ｂ）Ｇ（Ｂ） α ｔ＝α ｔ，
ｐ２即φ （Ｂ）Ｇ（Ｂ）＝（１－φ －…－ φ （１＋Ｇ＋Ｇ１ＢｐＢ）１Ｂ２Ｂ＋…）＝１．
上式展开成Ｂ的级数，并比较系数可得Ｇ１－φ ０，ＧＧ … １＝２－Ｇ１φ １－φ ２＝０，３－Ｇ２φ １－Ｇ１φ ２－φ ３＝０，递推解上述方程组，可得ＧＧＧ２φ １＝φ １，２＝φ １＋φ ２，３＝φ １＋１φ ２＋φ ３，

４２２Ｇ φ φ …．４＝φ １＋３１φ ２＋２１φ ３＋φ ２＋φ ４，２３
（８．５２）
　　例８．１０　求ＡＲ（１）序列的预报式．解　因ＡＲ（１）模型为Ｘ由（８．４９）式得ｔ－φ １Ｘｔ－１＝ａｔ，＾Ｘ（ｌ）＝ φ Ｘ（ｌ－１）（ｌ＞０）．ｋ１＾ｋ将初始值＾Ｘ（０）＝Ｘｋｋ代入上式得

２＾Ｘ（１）＝ φ ＾Ｘ（２）＝φ Ｘ（１）＝φ …，ｋ１Ｘｋ，ｋ１＾ｋ１Ｘｋ，
Ｘｋ（＾ｌ）＝φ Ｘ（ｌ－１）＝φ ′ １＾ｋ１Ｘｋ．　　例８．１１　设有ＡＲ（２）模型Ｘ２Ｘ．５５Ｘｔ＝１．ｔ－１－０ｔ－２＋ａｔ．

２２已知Ｘ６１，Ｘ０２，＾ σ ０８，试求第三步预报值及Ｘ５％置信ｋ＝７．ｋ－１＝６．ａ＝０．ｋ＋３的９
区间．解　由（８．５１）式可得＾Ｘ（１）＝１．２Ｘ５５Ｘ２×７．６１－０．５５×６．０２＝５．８２１，ｋｋ－０．ｋ－１＝１．＾Ｘ（２）＝１．２＾Ｘ（１）－０．５５Ｘ７９９５，ｋｋｋ＝２．＾Ｘ（３）＝１．２＾Ｘ（２）－０．５５＾Ｘ（１）＝０．１５７９．ｋｋｋ查表得ｕ９６，故０．０２５＝１．
２２１＾Ｘ（３）± ｕ１＋Ｇ）／２＾ σ ｋａ／２（１＋Ｇ２ａ，２２０．１５８±１．９６１＋１．２＋０．８９ ×０．０８，
即Ｘ５％置信区间为（０．１２４，０．４４０）．ｋ＋３的９（２）ＭＡ（ｑ）序列的预报关于ＭＡ（ｑ）序列的预报．这里简略介绍平稳预报的逆函数方法和预报向量递推方法．
１９６
类似于ＡＲＭＡ（ｐ，ｑ）序列的逆转形式（８．１９）式，ＭＡ（ｑ）模型的逆转形式为 α ／ θ （Ｂ）＝Ｉ（Ｂ）Ｘｔ＝Ｘｔｔ，

∞ ｊＸ（Ｉ）ＢＸｔ－６ｊｔ＝Ｘｔ－ｊ＝０ ∞ －１其中Ｉ（Ｂ）＝θ （Ｂ）＝１－ ∞ ∞
ＩｊＸｔ－ｊ，
（８．５３）
ｊ＝０
ｊＩＢ，Ｉｊｊ为逆函数．
ｊ＝０
利用Ｘｔ＝以推得
Ｉ并根据最小方差预报性质（８．３９）— （８．４１）式，可ｊＸｔ－ｊ＋ α ｔ，
ｊ＝０
ｌ－１
＾Ｘｋ（ｌ）＝６
ｊ＝１
Ｉ＾Ｘ（ｌ－ｊ）＋６ＩｊｋｊＸｋ＋ｌ－ｊ．
ｊ＝ｌ
（８．５４）
由于＾Ｘ（ｌ－ｊ）（ｊ＝１， …，ｌ－１）也是Ｘ（ｊ＝０，１， …）的线性组合，故可令ｋｋ－ｊ

∞
（ｌ）ＩｊＸｋ＋１－ｊ．
（８．５５）
ｊ＝１
　　当ｌ＞ｑ时，由（８．４７）式，有＾Ｘ（ｌ）＝０，于是得预报公式ｋ

∞
（ｌ）Ｉ，ｊＸｋ＋１－ｊ，１≤ ｌ≤ ｑ
ｊ＝１
（８．５６）
０，将（８．５５）式代入（８．５４）式，并比较系数可得Ｉｊ，Ｉ＝

（ｌ）ｊｌ－１
ｌ＞ｑ．ｌ＝１，
（ｌ－ｉ）
ＩＩｊ＋ｌ－１＋６Ｉｊｊ
ｉ＝１
，１＜ｌ≤ ｑ．
（８．５７）
（８．５６）式是一个无穷级数和，由于实际所能观测到的数据总是有限的，且规定Ｘ０＝Ｘ－１＝…＝０．故采用有限和代替得

ｋ
Ｘｋ（＾ｌ）≈ ６
（ｌ）Ｉ（１≤ｌ ≤ｑ），ｊＸｋ＋１－ｊ　
（８．５８）
ｊ＝１
其中ｋ的大小可以根据精度要求适当选取．实际应用中，往往要求连续预报，且每获得一个新数据后，应立即用于对未来作预报，用上述方法会使计算量和存贮量变得相当大．下面介绍的预报向量递推法可以适当减少计算量和存贮量．由ＭＡ（ｑ）模型Ｘ（Ｂ）ａ（Ｂ）ａ得Ｇ（１≤ｌｔ＝θ ｔ及传递形式Ｘｔ＝Ｇｔ，ｔ＝－ θ ｌ ≤ｑ），代入（８．４８）式，得
１９７
＾Ｘ（１）＝θ Ｘｋ（１）＋＾Ｘ（２）－θ ｋ＋１１＾ｋ１Ｘｋ＋１，＾Ｘ（２）＝θ Ｘｋ（１）＋＾Ｘ（３）－θ ｋ＋１２＾ｋ２Ｘｋ＋１，＾Ｘ（ｑ－１）＝θ Ｘｋ（１）＋＾Ｘ（ｑ）－θ ｋ＋１ｑ－１＾ｋｑ－１Ｘｋ＋１，＾Ｘ（ｑ）＝θ ＾Ｘｋ（１）－θ Ｘｋ＋１，ｋ＋１ｑｑ＾于是得预报矩阵式＾Ｘ（１）ｋ＋１＾Ｘ（２）ｋ＋１ … ＾Ｘｑ－１）ｋ＋１（＾Ｘ（ｑ）ｋ＋１＝ θ １ θ ２ … θ ｑ－１ θ ｑ１０ … ００ θ １ θ ２－ … θ ｑ－１ θ ｑ递推初值可定为＾Ｘ１）＝＾Ｘ２）＝…＝＾Ｘｋ（ｑ）＝０．ｋ（ｋ（
０００
（８．５９）
０１ … ００
… … … …
００ … １０
＾Ｘ（１）ｋ＾Ｘ（２）ｋ … ＾Ｘ（ｑ－１）ｋ＾Ｘ（ｑ）ｋ
Ｘｋ＋１．
（８．６０）
若称＾Ｘ＝（＾Ｘ（１）， …，＾Ｘ（ｑ））为预报向量，则（８．６０）式表示由预报向量ｋｋ

（ｑ）Ｘ递推＾＾Ｘｋ＋１的关系式．（ｑ）ｋ
（ｑ）ｋ
例８．１２　试写出ＭＡ（１）的预报公式．解　因为ｑ＝１，故ｌ＞１时，＾Ｘ（ｌ）＝０．由（８．５４）式得ｋ＾Ｘ（１）＝θ Ｘ（１）－θ ｋ１＾ｋ－１１Ｘｋ．由于模型阶数低，也可用逆函数法求预报公式．由（８．５７）式，有Ｉ（ｊ ≥１），又由（８．５３）式，有ｊ＝Ｉｊ１－１２２ｊ θ （Ｂ）＝＝１＋θ ＋θ Ｉ１Ｂ１Ｂ＋…＝１－６ｊＢ．１－θ １Ｂｊ＝１比较两边系数得Ｉｊ ≥ １），ｊ＝－ θ １　（于是Ｉ代入（８．５６）式，得预报公式ｊ＝－θ １，
∞ Ｋｊ１（１）ｊｊ ∞ （１）
＾Ｘ（１）＝６（－θ）Ｘｋｋ＋１－ｊ ≈
ｊ＝１
－θ １Ｘｋ＋１－ｊ．
ｊ＝１
　　例８．１３　已知ＭＡ（２）模型为Ｘ０．５ａ６ａｔ＝ａｔ－ｔ－１＋０．ｔ－２，试求预报公式．
１９８
解　由（８．６０）式，得预报向量递推公式　　　＾Ｘ（１）ｋ＋１＾Ｘ（２）ｋ＋１＝＝ θ １１ θ ０２０．５＾Ｘ（１）ｋ＾Ｘ（２）ｋ１－ θ １ θ ２－Ｘｋ＋１０．５－０．６Ｘｋ＋１．
Ｘ＾（１）ｋＸ＾（２）ｋ
－０．６０
下面用逆函数法求预报公式．因为Ｘ（Ｂ）ａ１－０．５Ｂ＋０．６Ｂ）ａ由（８．５３）式，有ｔ＝θ ｔ＝（ｔ，

∞ ２
１－
ＩＢ＝ｊ
ｊ＝１
１１＝２ θ （Ｂ）１－０．５Ｂ＋０．６Ｂ
３２＝－１－０．３Ｂ１－０．２Ｂ
∞ ｊｊ ∞ ｊｊ
＝３６（０．３）Ｂ－２６（０．２）Ｂ
ｊ＝０ｊ＝０ ∞
＝比较系数得
ｊｊｊ３（０．３）－２（０．２）Ｂ．
ｊ＝０
ｊｊＩ（０．２）－３（０．３）　（ｊ ≥ １），ｊ＝２
于是，由（８．５７）式得Ｉ（０．２）－３（０．３），ｊ＝Ｉｊ＝２Ｉ（０．２）ｊ＝Ｉｊ＋１＋Ｉ１Ｉｊ＝２＝２×０．３代入（８．５８）式得

ｋｊ＋１（２）（１）ｊ＋１（１）ｊｊ
－３（０．３）
ｊ
ｊ＋１ｊ
　＋（２ ×０．２）－（３×０．３）２（０．２）－３（０．２）－３×０．２

ｊ＋１
＾Ｘ（１）≈ ｋ
ｋ
２×０．２－３×０．３Ｘｋ＋１－ｊ，２×０．３

ｊ＋１
ｊ＝１
＾Ｘ（２） ≈ ｋ
－３ ×０．２
ｊ＋１
Ｘｋ＋１－ｊ．
ｊ＝１
　　（３）ＡＲＭＡ（ｐ，ｑ）序列的预报类似于ＭＡ（ｑ）序列，ＡＲＭＡ（ｐ，ｑ）序列也可用逆函数方法和预报向量法递推预报．ＡＲＭＡ（ｐ，ｑ）序列用逆函数直接预报公式为＾Ｘｋ（ｌ）＝φ Ｘ（ｌ－１）＋…＋φ ＾Ｘｌ－ｐ）＋＾ａ（ｌ）１＾ｋｐｋ（ｋ－θ ａ（ｌ－１）－…－θ ａ＾（ｌ－ｑ）．１＾ｋｑｋ（８．６１）当ｌ＞ｑ时，＾Ｘｋ（ｌ）≠０，预报公式如（８．４６）式，或者说与ＡＲ（ｐ）序列的预报公式（８．４９）式相同．这是与ＭＡ（ｑ）序列不同之处．此时（８．６１）式＾ａｌ）＝ … ＝ｋ（
１９９
ａ＾（ｌ－ｑ）＝０．ｋ当１≤ｌ ≤ ｑ时，令（８．６１）式中ｌ＝１， …，ｑ，即可得各步预报公式，其中ａ＾（ｌ）， …，ａ＾（ｌ－ｑ）可以按ＭＡ（ｑ）序列预报方法得到．ｋｋ关于预报向量递推公式，分别令（８．４８）式的ｌ＝１， …，ｑ－１可得＾Ｘ（１）＝－ＧＸ（１）＋＾Ｘｋ（２）＋Ｇｋ＋１１＾ｋ１Ｘｋ＋１，＾Ｘ（２）＝－ＧＸ（１）＋＾Ｘｋ（３）＋Ｇｋ＋１２＾ｋ２Ｘｋ＋１，＾Ｘ（ｑ－１）＝－ＧＸ（１）＋＾Ｘｋ（ｑ）＋Ｇｋ＋１ｑ－１＾ｋｑ－１Ｘｋ＋１．关于＾Ｘ（ｑ）的值，可按下列情况确定．首先记ｋ＋１ φ ｊ＝
＊
φ ≤ｐ，ｊ，１≤ｊ０，ｊ＞ｐ．
再令（８．４８）式中ｌ＝ｑ，且由（８．４６）式可得１ ° 　当ｐ≤ｑ时Ｘ＾（ｑ）＝－Ｇｑ＾Ｘ（１）＋＾Ｘ（ｑ＋１）＋ＧｑＸｋ＋１ｋｋｋ＋１＝－Ｇｑ＾Ｘ（１）＋ φ ｑ）＾Ｘｋ（ｑ）＋…＋φｐ＾Ｘ（ｑ＋１－ｐ）ｋ１（ｋ　＋…＋φ＊Ｘｋ（１）＋Ｇｑ＾ｑＸｋ＋１；２ ° 　当ｐ＞ｑ时Ｘｋ＋１（＾ｑ）＝－Ｇ＾Ｘｋ（１）＋φ Ｘ（ｑ）＋…＋ φ Ｘ（１）ｑ１＾ｋｑ＾ｋ
＊＊　＋φｑ＋１Ｘｋ＋…＋φ ｐＸｋ＋ｑ－ｐ＋１＋ＧｑＸｋ＋１＊＊＊＊
＝－Ｇ＾Ｘｋ（１）＋φ Ｘ（ｑ）＋…＋ φ Ｘ（１）ｑ１＾ｋｑ＾ｋ

ｐ
　＋
ｊ＝ｑ＋１
φ ｊＸｋ＋ｑ－ｊ＋１＋ＧｑＸｋ＋１，
于是，可得预报向量递推公式为－Ｇ１－Ｇ２Ｘ＾
（ｑ）ｋ＋１
１０ … ０
＊
０１ … ００
… … … … ００
００ … ０ φ ２
＊
００
（ｑ） … ＾Ｘｋ
… －Ｇｑ－１－Ｇｑ＋ φ ｑφ ｑ－１Ｇ１Ｇ２＋ … Ｇｑ－１Ｇｑ
＊
１ φ １
＊
Ｘｋ＋１＋
ｐ
（８．６２）
ｊ＝ｑ＋１
φ ｊＸｋ＋ｑ－ｊ＋１
其中＾Ｘ
（ｑ）ｋ＋１
Ｔ＝（＾Ｘ（１），＾Ｘｋ＋１（２）， …，＾Ｘｑ））．ｋ＋１ｋ＋１（
２００
ｐ
当ｐ≤ｑ时，６Ｘ＾ｑ）＝０．ｋ（
０
φ Ｘｋ（１）＝＾Ｘｋ（２）＝ … ＝ｊＸｋ＋ｑ－ｊ＋１＝０．初值可定为＾
００
ｊ＝ｑ＋１
例８．１４　已知ＡＲＭＡ（１，２）模型为Ｘ４Ｘ５ａ６ａｔ－０．ｔ－１＝ａｔ－０．ｔ－１＋０．ｔ－２，试求预报公式．解法（１）　利用递推预报公式（８．６２）．因为
２ φ （Ｂ）＝１－０．４Ｂ， θ （Ｂ）＝１－０．５Ｂ＋０．６Ｂ，
故１－０．５Ｂ＋０．６ＢＧ（Ｂ）＝φ－１（Ｂ） θ （Ｂ）＝，１－０．４Ｂ

∞ ∞ ２ｉ（１－０．５Ｂ＋０．６Ｂ）（０．４Ｂ）＝６ｉＧｉＢ．２
ｉ＝０
ｉ＝０
＊比较系数得Ｇ１，Ｇ５６．因为 φ＊ φ＊对于１＝－０．２＝０．ｑ＝φ ２＝０，ｑ－１＝ φ １，
１ ≤ｌ ≤２，由（８．６２）式得　　＾Ｘ（１）ｋ＋１＾Ｘ（２）ｋ＋１＝－Ｇ１－Ｇ２０．１１ φ １１Ｘｋ（＾１）Ｘｋ（＾２）＋Ｇ１Ｇ２＋Ｘｋ＋１Ｘｋ＋１．
＾Ｘ（１）ｋ＾Ｘ（２）ｋ
－０．１０．５６
－０．５６０．４
当ｌ＞２时，由（８．４６）式得＾Ｘｌ）＝ φ Ｘ（ｌ－１），ｋ（１＾ｋ即＾Ｘ（ｌ）＝０．４＾Ｘ（ｌ－１）＝０．４＾Ｘ（ｌ－２）＝…＝０．４ｋｋｋｌ ≤２时，由（８．１９）式得

∞ ２ｌ－２
＾Ｘｋ（２）．
解法（２）　用逆函数直接预报．当ｌ＞ｑ＝２时，预报公式与（１）相同．当１≤ １－０．４ＢｊＩｊＢ＝２１－０．５Ｂ＋０．６Ｂ

ｊｊｊ
Ｉ（Ｂ）＝θ （Ｂ）φ （Ｂ）＝１－６
－１ ∞
ｊ＝１
＝（１－０．４Ｂ）６（３×０．３－２×０．２）Ｂ

ｊ＝０ｊ ∞
（３×０．３－２×０．２）Ｂ

∞
ｊ＝０
　－
ｊｊｊ＋１０．４（３×０．３－２×０．２）Ｂ ∞
ｊ＝０
ｊ－１＝１＋６［（０．３－０．４） ×３×０．３ｊ＝１
　－（０．２－０．４）×２×０．２］Ｂ
ｊ－１
§ ８．７　非平稳时间序列及其预报

∞
２０１
＝１＋６（２×０．２－０．３）Ｂ．

ｊｊｊｊ＝１
比较系数得Ｉ３－２×０．２，由（６．５７）式，得ｊ＝０．Ｉ３－２× ０．２，ｊ＝Ｉｊ＝０．　　　　Ｉｊ＝Ｉｊ＋１＋Ｉ１Ｉｊ＝０．３

ｊ＋１（２）（１）ｊ＋１ｊｊ（１）ｊｊ
－２×０．２
ｊｊ
　＋（０．３－２×０．２）（０．３－２×０．２）＝０．２（０．３－０．２）．由（８．５６）式得预报公式为

∞
Ｘ＾（１）＝６（０．３－２× ０．２）Ｘｋｋ＋１－ｊ，
ｊｊｊ＝１ ∞
＾Ｘ（２）＝ｋ
０．２（０．３－２ ×０．２）Ｘｋ＋１－ｊ．
ｊ＝１
　　以上所讨论的预报都是假定｛Ｘ｝是零均值的，若其均值显著地非零，则所ｔ有预报公式中的预报值＾Ｘ（ｌ）必须用＾Ｘｋ（ｌ）＋珚Ｘ代替．ｋ
以上各节的讨论，我们都是假定｛Ｘ｝是平稳的时间序列．在实际问题中所ｔ遇到的时间序列，有些却是具有某种趋势性变化，或季节性的周期变化．一般地，若时间序列具有下列形式Ｘ（ｔ）＋ｄ（ｔ）＋Ｗｔ＝ｆｔ，其中ｆ（ｔ）是趋势项，ｄ（ｔ）是周期项，Ｗｔ是平稳序列，则只要能从Ｘ（ｔ）ｔ中提取ｆ和ｄ（ｔ），剩下的平稳序列Ｗｔ就可以按前面讨论过的理论和方法进行研究了．本节简要地介绍利用差分法实现将非平稳序列转化为平稳序列．
一、ＡＲＩＭＡ（ｐ，ｄ，ｑ）模型
设随机序列｛Ｘ｝有Ｘｔ＋ｂ＋Ｗ其中｛Ｗ｝为平稳序列，ａｔ＋ｂ为趋势ｔｔ＝ａｔ，ｔ项．考虑增量 ΔＸａ＋Ｗｔ）－ａ（ｔ－１）＋ｂ＋Ｗｔ－１ｔ＝Ｘｔ－Ｘｔ－１＝（ｔ＋ｂ＝ａ＋Ｗｔ－Ｗｔ－１．显然，Ｘ Δ”称为差分算子．它与延迟算子“Ｂ ”的ｔ－Ｘｔ－１是一平稳序列．上式中“ 关系为 Δ ＝１－Ｂ，即Δ Ｘ１－Ｂ）Ｘｔ＝（ｔ．
２０２
２　　类似地，设随机序列｛Ｘ｝有Ｘｔ＋ｂｔ＋ｃ＋Ｗｔ，将上式进行一次差分得ｔｔ＝ａ
ΔＸｔ＝Ｘｔ－Ｘｔ－１
２（ｔ－１）＋ｂ（ｔ－１）＋ｃ＋Ｗｔ－１＝（ａｔ＋ｂｔ＋ｃ＋Ｗｔ）－ａ２
＝２ａｔ＋（ａ－ｂ）＋Δ Ｗｔ．将上式再进行一次差分得 ΔＸ ΔＸ）＝Δ（Ｘｔ＝Δ（ｔｔ－Ｘｔ－１）＝Ｘ２Ｘａ＋Δ Ｗｔ．ｔ－ｔ－１＋Ｘｔ－２＝２上式已是平稳序列．因此，一个有趋势项的非平稳序列，经过若干次差分后，总可以变为平稳序列．设非平稳序列｛Ｘ｝方差有限，初值ＸＸ …，Ｘ且与｛Ｗｔ｝独ｔ１，２，ｄ均值为零，立．若｛Ｘ｝经过ｄ阶差分Δ Ｘ且可用ＡＲＭＡ（ｐ，ｑ）模型拟合，ｔｔ为一平稳序列，即有 φ （Ｂ） ΔＸ（Ｂ）ａｔ＞ｄ），ｔ＝θ ｔ　（
ｄｄ１ｄ２ｄ２ｉｉｄｉｄｄｄ２２
（８．６３）
ｄ
其中Δ ＝（１－Ｂ）＝１－ＣＢ＋ＣＢ－ … ＋（－１）ＣＢ＋ …＋（－１）Ｂ，则称（８．６３）式为求和自回归滑动平均模型，记为ＡＲＩＭＡ（ｐ，ｄ，ｑ），此时，称｛Ｘ｝是ｔＡＲＭＡ（ｐ，ｑ）序列的求和序列，ｄ为求和的阶数．下面给出用初值Ｘ …，Ｘｄ和１，平稳ＡＲＭＡ（ｐ，ｑ）序列｛Ｗｔ｝表示ＡＲＩＭＡ（ｐ，ｄ，ｑ）序列的两个常用表达式．当ｄ＝１时，Ｘｔ＝Ｘｔ－Ｘｔ－１＋Ｘｔ－１－…－Ｘ１＋Ｘ１
ｔ－１ｔ－１
＝Ｘ１＋＝Ｘｔ＋
６６
ｊ＝１
（Ｘ）＝Ｘｊ＋１－Ｘｊ１＋６
ｔ－ｋ
ΔＸｊ＋１
ｊ＝１
ｔ－１
Ｗｊ＋１＝Ｘｋ＋
ｊ＝１
Ｗｊ＋ｋ　（ｔ＞ｋ ≥１）．
ｊ＝１
当ｄ＝２时，有
ｔ－１ｊ－１
Ｘｔ＝Ｘ１＋于是，有
ｊ＝１
ΔＸ ΔＸ ΔＸｊ＋１，ｊ＋１＝Δ Ｘ２＋６ｉ＋２，
２ｉ＝１ｊ－１
ｔ－１
Ｘｔ＝Ｘ１＋６
ｊ＝１
ΔＸ２＋
ΔＸｉ＋２
ｊ－１
ｉ＝１ｔ－１
＝Ｘｔ－２） ΔＸ１＋（２＋６＝Ｘｔ－２） ΔＸ１＋（２＋６＝Ｘｔ－２） ΔＸ１＋（２＋６
ｊ＝１ｔ－１
６６６
ΔＸｉ＋２Ｗｉ＋２Ｗｉ＋２
ｉ＝１ｊ－１
ｊ＝１ｔ－２
ｉ＝１ｔ－１
ｉ＝１
ｊ＝ｉ

ｔ－２
２０３
＝Ｘｔ－２） ΔＸ（ｔ－１－ｉ）Ｗｉ＋２．１＋（２＋６
ｉ＝１
一般形式为
ｄ－１ｔ－ｄ
Ｘｔ＝＝
６６
ｉ＝０ｄ－１
Ｃｔ－ｄ＋ｉ－１ Δ Ｘｄ＋６
ｉｉｉｉＣｔ－ｋ＋ｉ－１ Δ Ｘｋ＋
Ｃｔ－ｊ＋１Ｗｄ＋ｊ
ｄ－１Ｃｔ－ｋ－ｊ＋ｄ－１Ｗｋ＋ｊ
ｄ－１
ｊ＝１
ｔ－ｋ
ｉ＝１
ｊ＝１
　（ｔ＞ｋ ≥ｄ）．
（８．６４）
二、季节性模型
对于具有季节性周期变化时间序列｛Ｘ｝，若它的周期为ｓ，则可用差分算子ｔ Δ １－Ｂ）作季节性差分，使其转化为平稳序列．即对｛Ｘ｝作季节差分ｓ＝（ｔ ΔｓＸ１－Ｂ）Ｘｔ＝（ｔ＝Ｘｔ－Ｘｔ－ｓ，消除季节性影响．再作ｄ阶差分消除趋势影响，从而得到平稳序列．一般季节性模型为 φ （Ｂ） Δ ΔｓＸ（Ｂ）ａ．ｔ＝θ 　　例如ｐ＝ｑ＝ｄ＝１，ｓ＝１２时，有
１２（１－ φ ）（１－Ｂ）（１－Ｂ）Ｘ１－θ ）ａ１Ｂｔ＝（１Ｂｔ，ｊｔｓｓ
（８．６５）
即　１－（１＋φ Ｂ＋φ １＋φ Ｂ－φ １）１Ｂ－Ｂ＋（１）１Ｂ＝（１－θ ）ａ１Ｂｔ．

２１２１３１４
Ｘｔ
三、ＡＲＩＭＡ（ｐ，ｄ，ｑ）序列的预报方法
令（８．６４）式中ｔ＝ｌ＋ｋ得
ｄ－１ｌ
Ｘｋ＋ｌ＝由上式可得
Ｃｌ＋ｉ－１ Δ Ｘｋ＋
ｉ＝０
Ｃｋ≥ｄ）．ｌ－ｊ＋ｄ－１Ｗｋ＋ｊ　（
ｄ－１
ｊ＝１
ｄ－１
Ｘｋ＋ｌ＝
Ｃｌ＋ｉ－１ Δ Ｘｋ＋
ｉ＝０
ＣＷｋ（ｊ），ｌ－ｊ＋ｄ－１＾
ｄ－１
（８．６６）
ｊ＝１
因此，只要求得＾Ｗｋ（ｊ）即可得Ｘｋ＋ｌ的预报值．当（８．６６）式中ｄ＝１时，得

ｌ
＾Ｘ（ｌ）＝Ｘｋｋ＋当ｄ＝２时得
＾Ｗｋ（ｊ）．
（８．６７）
ｊ＝１
Ｘｋ（＾ｌ）＝Ｘ（Ｘ）＋６（ｌ＋１－ｊ）＾Ｗｋ（ｊ）．ｋ＋ｌｋ－Ｘｋ－１

ｊ＝１
（８．６８）
２０４
　　例８．１５　设非平稳模型（１－Ｂ）Ｘ１－θ ）ａ试写出预报式．ｔ＝（１Ｂｔ，解　因为｛Ｘ｝是ｐ＝０，ｄ＝１，ｑ＝１的非平稳序列，令Ｗｔ＝（１－Ｂ）Ｘｔｔ＝Ｘｔ－ＸＸ则｛Ｗｔ｝是ＭＡ（１）序列．由例８．１２已求得ＭＡ（１）的预报公式为ｔ－１＝Δ ｌ，
∞
＾Ｗｋ（１）＝代入（８．６７）式得

∞
－θ １Ｗｋ＋１－ｊ，
ｊ＝１
∞ ｊ θ １Ｗｋ＋１－ｊ＝Ｘｋ－６ｊ θ １Δ Ｘｋ＋１－ｊ
＾Ｘ（１）＝Ｘｋｋ－６ ≈Ｘｋ－６
ｊ＝１Ｋ
ｊ＝１
θ （Ｘ）．１ｋ＋１－ｊ－Ｘｋ－ｊ
ｊ＝１
在结束本章讨论之前，我们将时间序列分析的主要步骤归纳如下：（１）对于｛Ｘ｝的一组样本观测数据，首先判断｛Ｘ｝是否为平稳序列，可以ｔｔ先按表８－１进行．若＾ ρ φ 且至少有一个不拖尾，即下降趋势很ｋ和＾ｋｋ都不截尾，慢，不能被负指数函数所控制，或有周期性变化，则从低降求和阶数ｄ及适当的ｓ，作差分Δ 或Δｓ，如Δ Ｘｔ＝Ｙｔ成为平稳序列．（２）若｛Ｙ｝的均值显著非零，则令Ｗｔ＝ＹＹ再求零均值｛Ｗｔ｝的＾ γ ρ ＾ｔｔ－珡ｋ，ｋ， φ ＾ｋｋ．（３）据（２）的计算，再按表８－１进行模型识别，若仍不能识别为ＡＲ，ＭＡ或ＡＲＭＡ的某一类，则返回（１），应增大ｄ或调整ｓ．（４）初步识别模型后，对模型的参数作出估计．（５）对模型进行检验．若检验不通过，应返回（３），重新识别．（６）利用模型进行预测，观察其效果．
ｄｄ
习　题　八
８．１　用延迟算子Ｂ表示下列模型：（１）Ｘ２Ｘｔ－０．ｔ－１＝ａｔ；（２）Ｘ５Ｘ４ａｔ－０．ｔ－１＝ａｔ－０．ｔ－１；（３）Ｘ７Ｘ５Ｘ４ａｔ＋０．ｔ－１－０．ｔ－２＝ａｔ－０．ｔ－１；（４）Ｘ０．５ａ３ａｔ＝ａｔ－ｔ－１＋０．ｔ－２；（５）Ｘ３Ｘ５ａｔ－０．ｔ－１＝ａｔ－１．ｔ－１．８．２　上题各模型中，哪些是平稳的？哪些是可逆的？８．３　试写出ＡＲ（１）模型ＸＲ（２）模型Ｘｔ－ φ １Ｘｔ－１＝ａｔ和Ａｔ－ φ １Ｘｔ－１－ φ ２Ｘｔ－２＝ａｔ的自相关函数．８．４　求ＭＡ（２）模型Ｘ０．７ａ２ａｔ＝ａｔ＋ｔ－１－０．ｔ－２的自相关函数．
习　题　八
２０５
８．５　求ＭＡ（２）模型Ｘ５Ｘ０．２Ｘ ρ ρ ρ ｔ－０．ｔ－１＋ｔ－２＝ａｔ的自相关函数 ρ １，２，３，４的值．８．６　求ＡＲＭＡ（１，１）模型Ｘ０．２Ｘ４ａｔ－ｔ－１＝ａｔ＋０．ｔ－１的自相关函数．８．７　求模型Ｘ．１Ｘｔ－１－０．４Ｘｔ－０ｔ－２＝ａｔ的偏相关函数．８．８　求模型Ｘ．５ａ．３ａ φ φ φ ｔ＝ａｔ－０ｔ－１＋０ｔ－２的偏相关函数 φ １１，２２，３３，４４．８．９　证明当－１＜ｃ＜０时，ＡＲ（２）序列ＸＸｔ＝Ｘｔ－１＋ｃｔ－２＋ａｔ３满足平稳性条件，并求ｃ＝－时的自相关函数．１６８．１０　由｛Ｘ｝的样本大小Ｎ＝１６０计算得＾ ρ φ ｔｋ和＾ｋｋ值如下表．试对下列各题序列的模型
２进行识别，并求模型的参数估计值和＾ σ ａ值．
（１）ｋ＾ ρ ｋ φ ＾ｋｋｋ＾ ρ ｋ φ ＾ｋｋ１－０．３４－０．３４９－０．０８－０．０８２－０．０５０．１９１０－０．０２－０．０７３０．０９－０．０１１１０．０８０．０１４－０．１４－０．１２１２－０．０６－０．０２５０．０８０１３０．０５０．０３６０．０４０．０５１４－０．０７－０．０７７－０．０６０１５０．０４０．０２８０．０４０．０１１６０．０５０．０５
（２）ｋ＾ ρ ｋ φ ＾ｋｋｋ＾ ρ ｋ φ ＾ｋｋ１０．５６０．５６９－０．０９－０．０５２０．３０－０．０２１０－０．０５－０．０５３０．１７０．０２１１０．０２０．０５４０．０５－０．０７１２０．０１－０．０３５０．０７０．１０１３０．０２０．０２６０．０５－０．０３１４０－０．０２７－０．０２－０．０７１５０．０５０．０１８－０．０５－０．０２１６０．０９０．０２
８．１１　写出下列模型的预报式：（１）Ｘ８Ｘｔ＋０．ｔ－１＝ａｔ；（２）Ｘ５Ｘ５Ｘｔ－１．ｔ－１＋０．ｔ－２＝ａｔ；（３）Ｘ１．３ａ４ａｔ＝ａｔ－ｔ－１＋０．ｔ－２；（４）Ｘ８Ｘ５ａｔ－０．ｔ－１＝ａｔ＋０．ｔ－１．
第九章　习题解析
习题二解析
２．１　Ｘ（ｔ）＝Ｖｔ＋ｂ，Ｖ～Ｎ（０，１），故Ｘ（ｔ）服从正态分布，且ＥＸ（ｔ）＝Ｅ（Ｖｔ＋ｂ）＝ｂ，
２ＤＸ（ｔ）＝Ｄ（Ｖｔ＋ｂ）＝ｔ，
故Ｘ（ｔ）的一维概率密度为ｆ（ｘ）＝ｔ均值函数为ｍ（ｔ）＝ＥＸ（ｔ）＝ｂ，相关函数为　　Ｒ（ｔｔ）＝ＥＸ（ｔ）Ｘ（ｔ）＝Ｅ（Ｖｔ）（Ｖｔ）１，２１２１＋ｂ２＋ｂ＝Ｅ（ＶｔＶｔＶｔ１ｔ２＋ｂ１＋ｂ２＋ｂ）＝ｔ１ｔ２＋ｂ．２．２　由随机变量函数的概率密度公式知，Ｘ（ｔ）的一维概率密度ｆ（ｘ）＝ｆ（ｙ）｜ｙ ′ （ｘ）｜＝ｆ（ｙ）／｜ｘ ′ （ｙ）｜ｔｌｎｘ＝ｆ－ｔｘ，ｔ＞０．ｔＸ（ｔ）的均值函数和相关函数为ＥＸ（ｔ）＝Ｅ（ｅ）＝
－Ｙｔ２２２（ｘ－ｂ）１２ｅ－２ｔ，ｘ∈Ｒ，２ π ｜ｔ｜２
∫
０
ｆ（ｙ）ｅｄｙ，
－ｙｔ
（ｔ）Ｘ（ｔＲＸ（ｔｔ１２）１，２）＝ＥＸ＝Ｅｅ
∞ －Ｙｔ１
－Ｙｔ２
∫ｅ
０
－ｙ（ｔ＋ｔ）１２
ｆ（ｙ）ｄｙ．
２．３　依题意知硬币出现正、反面的概率均为１／２．（１）当ｔ＝１／２时，Ｘ（１／２）的分布列为
习题二解析
２０７
Ｐ（Ｘ（１／２）＝０）＝Ｐ（Ｘ（１／２）＝１）＝１／２，其分布函数为０，１，同理，当ｔ＝１时Ｘ（１）的分布列为Ｐ（Ｘ（１）＝－１）＝Ｐ（Ｘ（１）＝２）＝１／２，其分布函数为０，１，列为　　　　Ｐ（Ｘ（１／２）＝０，Ｘ（１）＝－１）＝Ｐ（Ｘ（１／２）＝０，Ｘ（１）＝２）＝Ｐ（Ｘ（１／２）＝１，Ｘ（１）＝－１）＝Ｐ（Ｘ（１／２）＝１，Ｘ（１）＝２）＝１／４，故二维联合分布函数为０，ｘ１＜０或ｘ２＜－１，１／４，０≤ｘ１＜１且－１≤ｘ２＜２，／２，０≤ｘＦ（１／２，１；ｘｘ）＝１１＜１且ｘ２ ≥２或１，２ｘ１ ≥１且－１≤ ｘ２＜２，１，
２２ｔ）２　σ ｔ）＝ＥＸ（ｔ）－ｍＸ（Ｘ（
ｘ＜０，ｘ≥１．
Ｆ（１／２；ｘ）＝１／２，０ ≤ ｘ＜１，
ｘ＜－１，ｘ ≥２．
Ｆ（１；ｘ）＝１／２，－１ ≤ ｘ＜２，　　（２）由于在不同时刻投币是相互独立的，故在ｔ＝１／２，ｔ＝１时的联合分布
ｘ１ ≥１且ｘ２ ≥２．
　　（３）ｍＸ（ｔ）＝ｃｏｓ（ π ｔ）・１／２＋２ｔ・１／２＝１／２ｃｏｓ（ π ｔ）＋２ｔ，ｍＸ（１）＝１／２．＝ｃｏｓ（ π ｔ）・１／２＋（２ｔ）・１／２－１／２（ｃｏｓ（ π ｔ）＋２ｔ）＝１／２ｃｏｓ（ π ｔ）－ｔ，

２ σ （１）＝９／４．Ｘ２２２２
　　２．４　ＥＸ（ｔ）＝ＥＡｃｏｓ（ω ｔ）＋Ｂｓｉｎ（ω ｔ）＝ｃｏｓ（ω ｔ）ＥＡ＋ｓｉｎ（ω ｔ）ＥＢ＝０．ＲＸ（ｔｔＸ（ｔＸ（ｔ）１，２）＝Ｅ１）２ｃｏｓ（ω ｔｓｉｎ（ω ｔ＝ＥＡ１）＋Ｂ１）＝ｃｏｓ（ω ｔ）ｃｏｓ（ω ｔ）ＥＡ１２

２２　＋ｓｉｎ（ ω ｔ）ｓｉｎ（ω ｔ）ＥＢ１２
Ａｃｏｓ（ω ｔ）＋Ｂｓｉｎ（ω ｔ２２）
２０８
２＝σ ｃｏｓω （ｔ１－ｔ２）．
２．５　ｍＹ（ｔ）＝ＥＹ（ｔ）＝ＥＸ（ｔ）＋φ （ｔ）＝ｍＸ（ｔ）＋ φ （ｔ），ＢＹ（ｔｔｔｔ）－ｍＹ（ｔ）ｍＹ（ｔ）１，２）＝ＲＹ（１，２１２＝ＥＹ（ｔ（ｔｔｔ１）Ｙ２）－ｍＹ（１）ｍＹ（２）（ｔ（ｔ）＝ＥＸ１）＋ φ １ｔ）＋φ （ｔ　－ｍＸ（１１）２．６　由条件知 Θ 的概率密度为ｆ（ｘ）＝１／２ π，－π＜ｘ＜π，０，
２
Ｘ（ｔ）＋φ （ｔ２２）ｍＸ（ｔ）＋φ （ｔ２２）
＝ＲＸ（ｔｔ（ｔ）ｍＸ（ｔ）＝Ｂｔｔ）．１，２）－ｍＸ１２Ｘ（１，２
其它．
２２２
　　Ｒｔ，ｔ＋τ ）＝ＥＹ（ｔ）Ｙ（ｔ＋τ ）＝ＥＸ（ｔ）Ｘ（ｔ＋τ ）Ｙ（＝Ｅ（Ａｓｉｎ（ω ｔ＋Θ ））（Ａｓｉｎ（ω ｔ＋ω τ ＋Θ ））
４２２＝ＡＥｓｉｎ（ω ｔ＋Θ ）ｓｉｎ（ω ｔ＋ω τ＋ Θ ）
ＡＥ（１－ｃｏｓ（２ω ｔ＋２Θ ））４
４ＡＥ［１－ｃｏｓ（２ω ｔ＋２Θ ）４
　・（１－ｃｏｓ（２ω ｔ＋２ω τ＋２Θ ））＝
　－ｃｏｓ（２ω ｔ＋２ω τ ＋２Θ ）　＋ｃｏｓ（２ω ｔ＋２Θ ）ｃｏｓ（２ω ｔ＋２ω τ ＋２Θ ）］．Ｅｃｏｓ（２ω ｔ＋２ω τ ＋２Θ ）＝１ｏｓ（２ω ｔ＋２ω τ＋２ θ ）・ｄ θ ∫ｃ２ π

－π π
π １＝ｓｉｎ（２ω ｔ＋２ω τ＋２ θ ）＝０．４ π －π
同理可得Ｅｃｏｓ（２ω ｔ＋２Θ ）＝０，　Ｅｃｏｓ（２ω ｔ＋２Θ ）ｃｏｓ（２ω ｔ＋２ω τ ＋２Θ ）＝
－π
１ｃｏｓ（２ω ｔ＋２ θ ）ｃｏｓ（２ω ｔ＋２ω τ ＋２ θ ）ｄ θ ２ π
１＝ｃｏｓ（２ω τ ）．２Ｒｔ，ｔ＋τ ）＝Ｙ（　ＲＸＹ（ｔ，ｔ＋τ ）＝ＥＸ（ｔ）Ｙ（ｔ＋τ ）＝ＥＡｓｉｎ（ω ｔ＋Θ ）（Ａｓｉｎ（ω ｔ＋ω τ ＋Θ ））
２４Ａ１１＋ｃｏｓ（２ω τ ），４２
习题二解析
２＝Ａ３Ｅｓｉｎ（ ω ｔ＋Θ ）ｓｉｎ（ ω ｔ＋ω τ ＋Θ ）
２０９
＝Ａ３
ｉｎ（ω ｔ＋θ ）ｓｉｎ（ω ｔ＋ω τ ＋θ ）・ｄ θ ∫ｓ２ π
２－π
＝０．２．７　ＥＸ＝ＥＹ＝ＥＺ＝０，ＤＸ＝ＤＹ＝ＤＺ＝１，ＥＸ（ｔ）＝Ｅ（Ｘ＋Ｙｔ＋Ｚｔ）＝０，（ｔ）Ｘ（ｔ　　　ＢＸ（ｔｔ１２）１，２）＝ＥＸｔｔ）（Ｘ＋Ｙｔｔ＝Ｅ（Ｘ＋Ｙ１＋Ｚ１２＋Ｚ２）
２２２２２＝ＥＸ＋ｔＹ＋ｔＺ１ｔ２Ｅ１ｔ２Ｅ２２２
＝１＋ｔ１ｔ２＋ｔ１ｔ２．２．８　（１）ｍＹ（ｔ）＝ＥＹ（ｔ）＝Ｐ（Ｘ（ｔ）≤ｘ）＋０・Ｐ（Ｘ（ｔ）＞ｘ）＝Ｐ（Ｘ（ｔ）≤ｘ）＝ＦＸ（ｘ），即Ｙ（ｔ）的均值函数为Ｘ（ｔ）的一维分布函数．（ｔＹ（ｔ（２）Ｒｔｔ）＝ＥＹ１）２）Ｙ（１，２＝１・１・Ｐ（Ｘ（ｔ）≤ｘＸ（ｔ１１，２）≤ ｘ２）　＋１・０・Ｐ（Ｘ（ｔ） ≤ｘＸ（ｔ）１１，２）＞ｘ２　＋０・１・Ｐ（Ｘ（ｔ）＞ｘＸ（ｔ）１１，２）≤ ｘ２　＋０・０・Ｐ（Ｘ（ｔ）＞ｘＸ（ｔ）１１，２）＞ｘ２＝Ｐ（Ｘ（ｔ）≤ ｘＸ（ｔ），１１，２）≤ ｘ２即Ｙ（ｔ）的相关函数为Ｘ（ｔ）的二维分布函数．２．９　ＥＸ（ｔ）Ｘ（ｔ＋τ ）＝Ｅｆ（ｔ－Ｙ）ｆ（ｔ＋τ －Ｙ）＝令ｔ－ｙ＝ｓ，则ＥＸ（ｔ）Ｘ（ｔ＋τ ）＝－＝由于ｆ（ｔ）的周期为Ｔ，故ＥＸ（ｔ）Ｘ（ｔ＋τ ）＝　　２．１０　（１）由Ｓｃｈｗａｒｚ不等式｜Ｂｔｔ）｜＝｜Ｅ（Ｘ（ｔ）－ｍＸ（ｔ））（Ｘ（ｔｔ））｜Ｘ（１，２１１２）－ｍＸ（２ ≤ Ｅ｜Ｘ（ｔ（ｔ）｜Ｅ｜Ｘ（ｔ）－ｍＸ（ｔ｜１）－ｍＸ１２２）
２２１／２
１Ｔ
（ｔ－ｙ）ｆ（ｔ＋τ －ｙ）ｄｙ． ∫ｆ
０
１Ｔ
∫
ｔｔｔ－Ｔ
ｔ－Ｔ
ｆ（ｓ）ｆ（ｓ＋τ ）ｄｓ
１Ｔ
∫
１Ｔ
ｆ（ｓ）ｆ（ｓ＋τ ）ｄｓ．
（ｓ）ｆ（ｓ＋τ ）ｄｓ． ∫ｆ
０
２１０
＝σ （ｔ） σ ｔ）．Ｘ１Ｘ（２
２（２）由（ σ （ｔ（ｔ）） ≥ ０知Ｘ１）－σ Ｘ２
　　｜Ｂｔｔ）｜≤σ （ｔ） σ ｔ）Ｘ（１，２Ｘ１Ｘ（２ ≤ １ σ ２２ｔ＋σ ｔ）．Ｘ（１）Ｘ（２２
２．１１　由Ｓｃｈｗａｒｚ不等式Ｂｔｔ）＝Ｅ（Ｘ（ｔ－ＥＸ（ｔ）（Ｙ（ｔ）－ＥＹ（ｔ）ＸＹ（１，２１）１）２２） ≤ Ｅ｜Ｘ（ｔＸ（ｔ｜・Ｅ｜Ｙ（ｔＹ（ｔ）｜１）－Ｅ１）２）－Ｅ２＝σ ｔ）・ σ ｔＸ（１Ｙ（２）．

ＮＮ２２１／２
２．１２　ＥＸ（ｔ）＝Ｅ６由于 Φ （０，２ π ），故ｋ～Ｕ
Ａｅｋ
ｋ＝１
ＥＡ・Ｅｅｋ
ｋ＝１
Ｅｅ所以
∫ｅ
０Ｎ
２π
ｉ（ω ｔ＋ φ ）
１ｄφ＝０，２ π
ＥＸ（ｔ）＝６　　　　ＢＸ（ｔｔＸ（ｔＸ（ｔ）１，２）＝Ｅ１）２

Ｎ
ＥＡ・０＝０，ｋ
ｋ＝１
＝Ｅ
Ｎ
Ａｅｋ
Ｎ
ｉ（ω ｔ＋ Φ）１ｋ
ｋ＝１ｉＥＡｅｋＡｊ
・６
Ａｅｊ
ｉ（ω ｔ＋ Φ）２ｊ
ｊ＝１
＝＝
６６
ｋ＝１Ｎ
ω （ｔ－ｔ）＋（ Φ － Φ ）１２ｋｊ
ｊ＝１Ｎ
６６
ｋ＝１
ＥＡ・ＥｅｋＡｊ
（ｔ－ｔ）＋ Φ － Φ ｉ ω １２ｋｊ
ｊ＝１
当ｋ ≠ｊ时， Φ 所以ｋ与Φ ｊ独立，Ｅｅ当ｋ＝ｊ时Ｅｅ故

Ｎｉ［ω （ｔ－ｔ）＋（ Φ － Φ ）］１２ｋｋｉ［ω （ｔ－ｔ）＋（ Φ － Φ ）］１２ｋｊ
＝ｅ
ｉ ω （ｔ－ｔ）１２
・Ｅｅｋ・Ｅｅ
ｉ ω（ｔ－ｔ）１２
ｉΦ
－ｉ Φ ｋ
＝０，
＝ｅ
Ｂｔｔ）＝Ｘ（１，２
ｉ ω （ｔ－ｔ）２１２ＥｅＡｋＮ
ｋ＝１
＝ｅ
ｉ ω （ｔ－ｔ）１２
ＥＡｋ．
ｋ＝１
２．１３　依题意知ＥＸ（ｔ）＝０，ＥＶ＝０，ＤＶ＝１，所以ＥＹ（ｔ）＝ＥＸ（ｔ）＋Ｖ＝ＥＸ（ｔ）＋ＥＶ＝０，　ＢＹ（ｔｔ（Ｘ（ｔ）＋Ｖ）（Ｘ（ｔ）１，２）＝Ｅ１２）＋Ｖ
习题二解析
２２（ｔＸ（ｔ）＋ＥＶ＝ＥＸ＝σ ｍｉｎ（ｔｔ）＋１．１）２Ｘ（１，２）
２１１
２．１４　ＥＸ × ｐ＋０×ｑ＝ｐ，ｊ＝１Ｅ（Ｘ）＝ｉＸｊ
ｎ
ｐ，ｉ＝ｊ，
２ｐ，ｉ ≠ｊ，ｎ
ＥＹｎ＝Ｅ
Ｘｊ＝
ｊ＝１
ＥＸｐ．ｊ＝ｎ
ｊ＝１
　　　　ＢＹ（ｍ，ｎ）＝ＥＹｍＹｎ－ＥＹｍ・ＥＹｎ

ｍｎ
＝６当ｍ≤ｎ时
ｍｎ
ｊ＝１
Ｅ（Ｘ）－ＥＹｍ・ＥＹｎ．ｊＸｉ
ｉ＝１
６６
ｊ＝１
Ｅ（Ｘ）＝ｊＸｉ
ｉ＝１
Ｅ（Ｘ）＋ｉＸｊ
ｉ＝ｊ
Ｅ（Ｘ）ｉＸｊ
２２２
ｉ≠ ｊ
＝ｍｐ＋（ｍｎ－ｍ）ｐ＝ｍｎｐ＋ｍｐ－ｍｐ，同理，当ｍ＞ｎ时

ｍｎ
６６
ｊ＝１
Ｅ（Ｘ＝ｍｎｐ＋ｎｐ－ｎｐ，ｊＸｉ）
ｉ＝１
故ＢＹ（ｍ，ｎ）＝ｐｑｍｉｎ（ｍ，ｎ）．　　２．１５　ＥＹ＝ＥＺ＝１× １１＋（－１）× ＝０，２２１１２＋（－１） × ＝１，２２
２２２ＤＹ＝ＤＺ＝ＥＺ－（ＥＺ）＝１ ×
　　　ＥＸ（ｔ）＝ＥＹｃｏｓ（ θ ｔ）＋Ｚｓｉｎ（ θ ｔ）＝ｃｏｓ（ θ ｔ）ＥＹ＋ｓｉｎ（ θ ｔ）ＥＺ＝０，ＲＸ（ｔｔ（Ｙｃｏｓ（ θ ｔ）＋Ｚｓｉｎ（ θ ｔ））（Ｙｃｏｓ（ θ ｔ）＋Ｙｓｉｎ（ θ ｔ）１，２）＝Ｅ１１２２）

２２＝ＥＹ・ｃｏｓ（ θ ｔｃｏｓ（ θ ｔＺ・ｓｉｎ（ θ ｔ）ｓｉｎ（ θ ｔ）１）２）＋Ｅ１２
＝ｃｏｓθ （ｔ），２－ｔ１
２ＥＸ（ｔ）＝ＲＸ（ｔ，ｔ）＝１＜∞，
故｛Ｘ（ｔ），－∞＜ｔ＜∞｝是广义平稳过程．由于Ｘ（ｔ）的一维分布函数与ｔ有关，故｛Ｘ（ｔ），－ ∞＜ｔ＜∞｝不是严平稳过程．２．１６　由题意知Ｗ（ｔ）是维纳过程，Ｗ（ｔ）～Ｎ（０， σ｜ｔ｜），故Ｗ（ｅ）～Ｎ（０， σｅ），Ｚ（ｔ）～Ｎ（０， σ），ＥＸ（ｔ）＝０，－∞＜ｔ＜∞．
２２α ｔ２２α ｔ２
２１２
２α ｔ２α ｔ１ ≤ｅ２，对Ｐｔ由于ｅ因此１ ≤ｔ２，
　　　　ＲＸ（ｔｔＸ（ｔＸ（ｔ）１，２）＝Ｅ１）２

－ α（ｔ＋ｔ）２α ｔ２α ｔ１２ＥＷ１）Ｗ２）＝ｅ（ｅ（ｅ
＝ｅ
－ α（ｔ＋ｔ）１２
ＥＷ（ｅ１）－Ｗ（０）
２α ｔ２α ｔ
２α ｔ
　（Ｗ（ｅ２）－Ｗ（ｅ１））＋Ｗ（ｅ１）．由于Ｗ（ｔ）为独立增量过程，故　ＥＷ（ｅ１）－Ｗ（０）

２α ｔ２α ｔ
２α ｔ
Ｗ（ｅ２）－Ｗ（ｅ１）
２α ｔ２α ｔ
２α ｔ
２α ｔ
＝ＥＷ（ｅ１）－Ｗ（０）・ＥＷ（ｅ２）－Ｗ（ｅ１）＝０，因此　　　　ＲＸ（ｔｔ１，２）＝ｅ

－ α（ｔ＋ｔ）１２－ α（ｔ＋ｔ）１２
ＥＷ（ｅ１）
２α ｔ
２α ｔ
２２α ｔ２
＝ｅ
ＤＷ（ｅ１）＋（ＥＷ（ｅ１））．
２－α （ｔ－ｔ）１２
－ α（ｔ＋ｔ）２２α １２・＝ｅ σ ｅｔ１
＝σｅ同理，当ｔ１＞ｔ２时
－α （ｔ－ｔ）２１
ＲＸ（ｔｔ）＝σｅ１，２所以ＲＸ（ｔｔ）＝σｅ１，２　　２．１７　由维纳过程的定义，知

２
，．
－α ｜ｔ－ｔ｜１２
Ｘ（ｔ）～Ｎ（０， σｔ），所以对任意ｎ及０＜ｔ有１＜ｔ２＜…＜ｔｎ，Ｘ（ｔ）～Ｎ（０， σｔ），ｉ＝１，２， …，ｎ．ｉｉ又因为维纳过程是齐次的独立增量过程，所以（Ｘ（ｔＸ（ｔ …，Ｘ（ｔ））的联１），２），ｎ合概率密度为　ｆ（ｔｔ …，ｔｘｘ …，ｘ）Ｘ１，２，ｎ；１，２，ｎ＝
１１－ｅ２σ２ｔ１・７２ π ｔｋ＝１１σ ２ｘｎ－１ｋ＋１ｋ１－ｅ２σ２｜ｔｋ＋１－ｔｋ｜．２ π ｜ｔ｜ σ ｋ＋１－ｔｋ（ｘ２－ｘ）２
习题三解析
３．１　（１）显然｛Ｙ（ｔ）｝是独立增量过程，且　　Ｐ（Ｙ（ｔ＋τ ）－Ｙ（ｔ）＝ｎ）　＝Ｐ（Ｘ（ｔ＋τ ）＋Ｘｔ＋τ ）－Ｘ（ｔ）－Ｘｔ）＝ｎ）１２（１２（　＝Ｐ（Ｘ（ｔ＋τ ）－Ｘｔ）＋Ｘ（ｔ＋τ ）－Ｘｔ）＝ｎ）１１（２２（
习题三解析
ｎ
２１３
　　－
ｎ
Ｐ（Ｘ（ｔ＋τ ）－Ｘｔ）＝ｎ－ｉ，Ｘ（ｔ＋τ ）－Ｘｔ）＝ｉ）２２（１１（Ｐ（Ｘ（ｔ＋τ ）－Ｘｔ）＝ｎ－ｉ）２２（
ｉ＝０
　＝
６６
ｉ＝０
　　・Ｐ（Ｘｔ＋τ ）－Ｘ（ｔ）＝ｉ）１（１
ｎ
　＝
ｉ＝０
ｉ（ λ ）（ λ ）ｎ－ｉ１τ ２τ －λ τ －λ τ １・２・ｅ・ｅｉ！（ｎ－ｉ）！ｎ
λ τ ）－λ τ （　＝ｅ・，ｎ＝０，１，２， … ｎ！故｛Ｙ（ｔ）｝服从参数（λ １＋λ ２）的泊松过程．（２）ＥＺ（ｔ）＝Ｅ（Ｘｔ）－Ｘ（ｔ））＝ＥＸｔ）－ＥＸｔ）１（２１（２（＝（ λ ）ｔ，１－λ ２　　　　ＤＺ（ｔ）＝Ｄ（Ｘｔ）－Ｘ（ｔ））１（２＝ＤＸｔ）＋ＤＸｔ）＝（ λ ｔ．１（２（１＋λ ２）由于ＥＺ（ｔ） ≠ＤＺ（ｔ），故Ｚ（ｔ）不是泊松过程．３．２　设｛Ｘ（ｔ），ｔ ≥０｝表示到达商店的顾客数， ξ ｉ表示第ｉ个顾客购物与否，即 ξ ｉ＝１，第ｉ个顾客购物，０，第ｉ个顾客不购物．
则由题意知 ξ ｉ＝１，２， …独立同分布，且与｛Ｘ（ｔ）｝独立，ｉ，Ｐ（ ξ ）＝ｐ，Ｐ（ ξ ）＝１－ｐ，ｉ＝１ｉ＝０

Ｘ（ｔ）
因此，Ｙ（ｔ）＝６
ξ ｉ是复合泊松过程，ＥＹ（ｔ）＝λ ｔＥ（ ξ ）＝λ ｐｔ，１
ｉ＝１
Ｙ（ｔ）的强度 λ Ｙ（ｔ）／ｔ＝λ ｐ．Ｙ＝Ｅ（２ λ ）－２λ ４３－２λ ３．３　（１）Ｐ（Ｘ（ｔ＋２）－Ｘ（ｔ）＝３）＝ｅ＝ λｅ．３！３

２３
（２）Ｐ＝＝
６６
Ｐ（Ｘ（１）－Ｘ（０）＝ｋ，Ｘ（２）－Ｘ（１）≥３－ｋ）Ｐ（Ｘ（１）－Ｘ（０）＝ｋ）Ｐ（Ｘ（２）－Ｘ（１）≥３－ｋ）

２ λ －λ －λ －λ １－ｅ－λ ｅ－ｅ２－λ －λ －λ ２ λ －λ －λ ＋ｅ１－ｅ２
ｋ＝０２
ｋ＝０－λ
＝ｅ
　＋λ ｅ
１－ｅ－λ ｅ
２１４
２ λ －λ ２－ｅ１＋２ λ＋２ λ ２
＝ｅ
－λ
１＋λ ＋
．
０
（λ ｓ２）－ λ ｓ３．４　Ｐ（Ｓ＞ｓＳ＞ｓ（Ｘ（ｓ（ｓ）＝０）＝ｅ２＝１＋ｓ２｜１）＝Ｐ１＋ｓ２）－Ｘ１０！ｅ

－λ ｓ２
＝１－Ｐ（Ｓ≤ｓ（Ｓ＞ｓ）．２）＝Ｐ２ λ ｅ１０，

－λ ｔ１
３．５　（１）由定理３．２知绿色汽车之间的不同到达时刻的概率密度为ｆ（ｔ）＝，ｔ ≥０，ｔ＜０．
　　（２）由题３．１知，汽车合并成单个输出过程Ｙ（ｔ），则Ｙ（ｔ）仍为泊松过程，其到达率为 λ 故汽车之间的不同到达时刻的概率密度为１＋λ ２＋λ ３，ｆｔ）＝Ｙ（

－（λ ＋ λ ＋ λ ）ｔ１２３（ λ ）ｅ，ｔ ≥０，１＋λ ２＋λ ３
０，
ｔ＜０．
　　３．６　设ＴＸ（ｔ），ｔ ≥０｝第ｉ－１次事件发生到第ｉ次事件发生的时ｉ表示｛间间隔，则Ｔｉ＝１， …，ｎ相互独立且都服从均值为１／ λ的指数分布，ｉ，ＥＴｉ＝

ｎ
１１，　ＤＴ　ｉ＝１，２， …，ｎ．ｉ＝２， λ λ
ｎ
　　（１）ＥＷｎ＝Ｅ　　（２）ＤＷｎ＝Ｄ
Ｔｉ＝
ｎ
ｉ＝１
ＥＴｉ＝
ｉ＝１ｎ
ｎ． λ
ｉ＝１
Ｔｉ＝６
∞
ｉ＝１
ｎＤＴｉ＝２． λ
３．７　Ｐ（Ｎ＝ｋ）＝＝＝
∫
０
Ｐ（Ｙ（Ｗ ′ ）－Ｙ（Ｗ）＝ｋ，Ｗ ′ －Ｗ＝ｓ）ｄｓ
∫
０
Ｐ（Ｙ（Ｗ ′ ）－Ｙ（Ｗ）＝ｋ｜Ｗ ′ －Ｗ＝ｓ）Ｐ（Ｗ ′ －Ｗ＝ｓ）ｄｓ
ｋ（ λ ）２ｓ－λ ｓ－λ ｓ２・１ｄｅ λ ｅｓ１ｋ！ｋ
∫
０
λ λ １２＝ λ λ １＋λ ２１＋λ ２
３．８　设｛Ｎ（ｔ），ｔ ≥０｝表示在［０，ｔ］区间脉冲到达计数器的个数，令 ξ ｉ＝则

Ｎ（ｔ）
１，第ｉ个脉冲被计数器记录，０，第ｉ个脉冲没有被计数器记录，
Ｘ（ｔ）＝
ξ ｉ．
ｉ＝１
根据复合泊松过程的定义知Ｘ（ｔ）为泊松过程，且ＥＸ（ｔ）＝ＥＮ（ｔ）・Ｅ ξ ｔ・ｐ＝λ ｐｔ．１＝λ
习题三解析
２１５
故Ｘ（ｔ）的强度为 λ ｐ，（ λ ｐｔ）ｋ－λ ｐｔＰ（Ｘ（ｔ）＝ｋ）＝ｅ，ｋ＝０，１，２， … ｋ！　　３．９　根据题意知顾客的到达率为５＋５ｔ， λ （ｔ）＝２０，０≤ｔ＜３，３≤ｔ＜５，
２０－２（ｔ－５），５≤ｔ＜９，ｍＸ（１．５）－ｍＸ（０．５）＝
１．５
（５＋５ｔ）ｄｔ＝１０，
０．５
－１０Ｐ（Ｘ（１．５）－Ｘ（０．５）＝０）＝ｅ．
　　３．１０　设Ｎ（ｔ）为在时间［０，ｔ］内的移民户数，Ｙ则在ｉ表示每户的人口数，［０，ｔ］内的移民人数

Ｎ（ｔ）
Ｘ（ｔ）＝６
Ｙｉ
ｉ＝１
是一个复合泊松过程，Ｙ其分布列为ｉ是相互独立且具有相同分布的随机变量，Ｐ（Ｙ＝１）＝Ｐ（Ｙ＝４）＝１／６，Ｐ（Ｙ＝２）＝Ｐ（Ｙ＝３）＝１／３．ＥＹ＝１５／６，ＥＹ＝４３／６．根据题意知Ｎ（ｔ）在５周内是强度为１０的泊松过程，由定理３．６ｍＸ（５）＝１０×ＥＹ１＝１０× １５／６＝２５， σ （５）＝１０× ＥＹ１＝１０×４３／６＝２１５／３．Ｘ　　３．１１　令０≤ｔ．取ｈ便得ｔｉ１＜ｔ２＜…＜ｔｎ＜ｔｎ＋１＝ｔｉ充分小，ｉ＋ｈｉ＜ｔｉ＋１（＝１，２， …，ｎ）．则
　Ｐ（ｔ …，ｔ｜Ｘ（ｔ）＝ｎ）１≤ Ｗ１＜ｔ１＋ｈ１，ｎ≤ Ｗｎ＜ｔｎ＋ｈｎ＝＝Ｐ｛［ｔｔ］中仅有一个事件，ｉ＝１， …，ｎ，［０，ｔ］的别处无事件｝ｉ，ｉ＋ｈｉＰ（Ｘ（ｔ）＝ｎ）
－ｍ（ｔ－ｍ（ｔ１＋ｈ１）１）ｅｍ（ｔ＋ｈ）－ｍ（ｔ）１１１２２
（ｔ）－ｍ（ｔ）ｅ－ … ｍｎ＋ｈｎｎｎ（ｍ（ｔ））－ｍ（ｔｅ）ｎ！
ｍ（ｔ＋ｈ）－ｍ（ｔ）ｎｎｎ
　・ｅ
ｎｍ（ｔ）－６ｋ＝１
ｍ（ｔ＋ｈ）－ｍ（ｔ）ｉｉｉ
由于故
ｌｉｍ
ｈ →０ｉ
ｍ（ｔ）－ｍ（ｔ）ｉ＋ｈｉｉ＝λ （ｔ），ｉ＝１， …，ｎ，ｉｈｉ
Ｐ（ｔ …，ｔ｜Ｘ（ｔ）＝ｎ）１≤ Ｗ１＜ｔ１＋ｈ１，ｎ ≤ Ｗｎ＜ｔｎ＋ｈｎｈ … ｈ１ｎ
ｎ
ｆ（ｔ …，ｔ｜Ｘ（ｔ）＝ｎ）＝ｌｉｍ１，ｎ
ｈ →０ｉ
＝ｎ！７
ｉ＝１
λ （ｔ）ｉ．ｍ（ｔ）
２１６
注　若没总体Ｘ的分布函数为ｍ（ｘ），ｘ≤ｔ，ｍ（ｔ）Ｆ（ｘ）＝０，ｘ＞ｔ，Ｘ …，Ｘｎ为Ｘ的样本．则在Ｘ（ｔ）＝ｎ的条件下，ｎ个事件到达时间的分布与１，Ｘ …，Ｘ１，ｎ的顺序统计量具有相同分布．
习题四解析
４．１　１Ｐ＝０００１
（２）
００
０００，１００
１／３１／３１／３０００
１／３１／３１／３００００
１／３１／３１／３
４／９２／９２／９１／９００　　４．２　ｐｑ００Ｐ＝００ｐｑｐｑ００００ｐｑｐＰ＝
（２）２
Ｐ＝１／９２／９３／９２／９１／９．１／９２／９２／９４／９０００１
ｐｑｐｑｑ
２ｐｑｐｑｑ２ｐｑｐｑｑ２ｐｑｐｑｑ
２ｐ２ｐ２ｐ
　　４．３　（１）Ｘ …，ＸＸＸ …，ＸＰＸｎ＋１＝ｉｎ＋１，ｎ＋２＝ｉｎ＋２，ｎ＋ｍ＝ｉｎ＋ｍ｜０＝ｉ０，１＝ｉ１，ｎ＝ｉｎ＝＝ …，Ｘｎ＝ｉＸ …，Ｘｎ＋ｍ＝ｉＰＸ０＝ｉ０，ｎ，ｎ＋１＝ｉｎ＋１，ｎ＋ｍＸ …，ＸＰＸ０＝ｉ０，１＝ｉ１，ｎ＝ｉｎｐｉｐｉｉ …ｐｉ

００１０ｉｉｉｎ－１ｎｎｎ＋１０１
…ｐｉ
ｉｎ＋ｍ－１ｎ＋ｍ
ｐｉｐｉｉ …ｐｉ
ｉｎ－１ｎ
习题四解析
２１７
Ｘ …，ＸＰＸｎ＝ｉｎ，ｎ＋１＝ｉｎ＋１，ｎ＋ｍ＝ｉｎ＋ｍＰＸｎ＝ｉｎ
Ｘｎ＋２＝ｉ …，ＸＸｎ＝ｉ＝ＰＸ．ｎ＋１＝ｉｎ＋１，ｎ＋２，ｎ＋ｍ＝ｉｎ＋ｍ｜ｎ（２）利用条件概率类似可得．｜Ｘ，１＜Ｘ＜４４．４　ＰＸ２＝４０＝１＝＝＝１＜Ｘ，ＸＰＸ０＝１，１＜４２＝４＝１，１＜Ｘ＜４ＰＸ０１Ｐ（ＸＸＸ）＋Ｐ（ＸＸＸ）０＝１，１＝２，２＝４０＝１，１＝３，２＝４Ｐ（ＸＸ）＋Ｐ（ＸＸ）０＝１，１＝２０＝１，１＝３Ｐ１Ｐ１２Ｐ２４＋Ｐ１Ｐ１３Ｐ３４ＰＰ＋ＰＰ１１２１１３
１／４×１／４ ×１／４＋１／４×１／４ ×３／８５＝＝．１／４ ×１／４＋１／４×１／４１６类似地｜１＜ＸＰＸ９／６０，２＝４１＜４＝１故｜Ｘ１＜Ｘ４ ≠ＰＸ４｜１＜ＸＰＸ２＝４０＝１，１＜２＝１＜４．　　４．５　由题意Ｙｎ＝ＸＹｎ－１知Ｙｎ是（Ｘ …，Ｘ由于Ｘｎ－Ｃ１，ｎ）的函数，１，Ｘ …，Ｘｎ， …是相互独立的随机变量，故对Ｐｎ ≥０，ＸＹ０，Ｙ …，Ｙｎ）独２，ｎ＋１与（１，立．｜Ｙ０＝０，Ｙ …，Ｙｎ＝ｉ　ＰＹｎ＋１＝ｉｎ＋１１＝ｉ１，ｎ＝ＰＹｎ＋１＋ＣＹｎ＝ｉｉ｜ＹＹ …，Ｙｎ＋１＋Ｃｎ０＝０，１＝ｉ１，ｎ＝ｉｎｉ｜Ｙ０，Ｙ …，Ｙ＝ＰＸｎ＋１＝ｉｎ＋１＋Ｃｎ０＝１＝ｉ１，ｎ＝ｉｎｉ＝ＰＸｎ＋１＝ｉｎ＋１＋Ｃｎｉ｜Ｙ＝ＰＸｎ＋１＝ｉｎ＋１＋Ｃｎｎ＝ｉｎ｜Ｙｎ＝ｉ＝ＰＹｎ＋１＝ｉ．ｎ＋１ｎ由ｉｋ＝１，２， …，ｎ＋１的任意性知｛Ｙｎ，ｎ≥０｝为马尔可夫链．ｋ，０．２５０．３７５０．３７５４．６　Ｐ＝０．３７５０．２５０．３７５，０．３７５０．３７５０．２５ｐ（３）＝０．２５．３　　４．７　Ｐ（１）＝（０．４２，０．２６，０．３２），
ＴＰ（２）＝（０．４２６，０．２８８，０．２８６）．Ｔ　　４．８　Ｐ０＝Ｔ（３）
１５９，，２４２４
２１８
Ｐ＝
Ｔ
（３）
０．６
０．４
０．６２０．３８
Ｐ（３）＝０．６１，０．３９．　　４．９　Ｉ＝１，２， …，９．０１／２００Ｐ＝１０１／２００１／２０１００１／２０００００１／３０００１／２０００１０１／３０１０１／２０１０００１／３０．０
Ｃ２，３，４，Ｃ６，７，８，９两个闭集．１＝１，２＝５，　　４．１０　（１）Ｃ２，３，Ｃ５两个遍历状态闭集．１＝１，２＝４，（２）Ｃ＝１，２，３遍历闭集，Ｎ＝４非常返态．（３）ＣＣＮ＝１， …，ｂ－１是非常返集．１＝０，２＝ｂ是吸收态闭集，

（１）（２）（３）（１）（２）（３）４．１１　（１）ｆ／２，ｆ／６，ｆ／９；ｆ／２，ｆ／４，ｆ１１＝１１１＝１１１＝１１２＝１１２＝１１２＝（１）（２）（３）（１）（２）（３）２１／８；（２）ｆｆ０，ｆｆｆｆ１１＝ｐ１，１１＝１１＝ｑ１ｑ２ｑ３；１２＝ｑ１，１２＝ｐ１ｑ１，１２＝ｐ１ｑ１．
４．１２　Ｎ＝１，２非常返集，Ｃ４，５，Ｃ７是正常返闭集．由１＝３，２＝６，转移矩阵０．６０．４０．４０００．６
０．２０．５０．３解得Ｃ，０，１０／２３，７／１３，６／２３，０，０．１的平稳分布０同理Ｃ０，０，０，０，８／１５，７／１５．２的平稳分布为０，４．１３　π ｊ＝ｐ１ …ｐｊ－１ π ｊ ≥１，０，ｑ１ …ｑｊ π ０＝１ｐｋ１＋６７ｑｋ＋１ｊ＝１ｋ＝０

∞ ｊ－１
　　４．１４　｛Ｘｎ，ｎ≥０｝的转移概率为２Ｎ－ｉｉｐＰ，ｐ，ｉ＝０，１， …，２Ｎ．ｉｉ＝０，ｉ，ｉ＋１＝ｉ，ｉ－１＝２Ｎ２Ｎ
习题四解析
２１９
其平稳分布｛ π ｊ＝０，１， …，２Ｎ｝满足方程组ｊ，１ π π，０＝２Ｎ１２Ｎ－ｊ＋１ｊ＋１ π ＋π ，　１≤ｊ ≤ ２Ｎ－１，ｊ＝π ｊ－１ｊ＋１２Ｎ２Ｎ１ π π ．２Ｎ＝２Ｎ２Ｎ－１解此方程组得

ｊ π ｊ＝Ｃ２Ｎπ ０．
由条件
π ｊ＝１得
２Ｎｊ２Ｎ１＝π Ｃ０６２Ｎ＝２ π ０，ｊ＝０－２Ｎ π ．０＝２
故｛Ｘｎ≥０｝的平稳分布为ｎ，
ｊ－２Ｎ π ，ｊ＝０，１，２， …，２Ｎ．ｊ＝Ｃ２Ｎ２
　　４．１５　（１）１／３２／３０的，故Ｘ为遍历链．ｎ（３）由平稳分布满足的方程组１２ π π＋ π，０＝３０９１２５２ π π＋ π＋ π，１＝３０９１３２２１ π π＋ π，２＝９１３２ π ０＋π １＋π ２＝１．解方程组得： π ０＝

ｎ→ ∞
Ｐ＝２／９５／９２／９．２／３１／３　　（２）由于Ｉ＝０，１，２是有限的，Ｉ中所有状态是互通的，且状态０是非周期
１３１， π＝， π＝．５１５２５
（ｎ）１（ｎ）２ｎ→ ∞ ｎ→ ∞
ｌｉｍｐ１／５，ｌｉｍｐ３／５，ｌｉｍｐ＝π ／５．ｉ＝π ０＝ｉ＝π １＝ｉ２＝１
０
（ｎ）
　　４．１６　（１）用归纳法．设当ｎ＝ｍ时，对一切ｊ ∈Ｉ，都有６ｐ则ｉｊ＝１，

（ｍ）ｉ∈ Ｉ
（ｍ＋１）ｉｊ
ｉ∈ Ｉ
ｉ∈ Ｉ
ｐｐｋｊ
（ｍ）ｉｋ
ｋ∈ Ｉ
２２０
＝＝
６６
ｐｋｊ
ｋ∈ Ｉ
（ｍ）ｐｉｋ
ｐｋｊ＝１．
ｋ∈ Ｉ
（２）由条件知｛Ｘ（ｎ），ｎ≥１｝为非周期不可分马尔可夫链，且状态空间有限，故｛Ｘ（ｎ），ｎ≥１｝为遍历链，因此ｌｉｍｐｉｊ＝π ｊ＝

ｎ→ ∞ ｍｍ（ｎ）ｐｉｊ＝（ｎ）
１＞０，ｊ ∈Ｉ． μ ｊ
所以　　　　ｌｉｍ６
ｎ→ ∞
ｉ＝１
６６
（ｎ）ｌｉｍｐｉｊｎ→ ∞
ｉ＝１ｍ
ｉ＝１
１ｍ＝＝１， μ μ ｊｊ
μ ｊ＝１，２， …，ｍ．ｊ＝ｍ，５６９４９２３１　　４．１７　（２）π ， π＝， π＝， π＝．１＝２７３２２７３３２７３４２７３（３）μ ８．８（天）．４＝４．１８　（１）从状态转移图看出，状态空间可分解为两个不可约常返闭集Ｃ１＝｛２，３，４｝和Ｃ５，６｝．一个非常返集Ｎ＝｛１｝．在Ｃ２＝｛１上对应的转移概率矩阵为００其平稳分布满足 π ２ π １＝０．２， π ５ π ２＝０．２＋π ３， π ３＝π １， π １．１＋π ２＋π ３＝解上述方程组得Ｃ１／４，１／２，１／４），故原状态空间对应于Ｃ１上的平稳分布为（１上的平稳分布为（０，１／４，１／２，１／４，０，０）．类似可得Ｃ（０，０，０，０，１／２，１／２）．２上的平稳分布为（２）由Ｃ－Ｋ方程
６
０１
１０
Ｐ＝０．５０．５０，
ｐ＝由（１）知
（ｎ）１４
（ｎ－１）（ｎ－１）（ｎ－１）（ｎ－１）ｐ＝ｐ＋ｐ＋ｐ，１ｋｐｋ４１１ｐ１４１２ｐ２４１３ｐ３４
ｋ＝１
ｌｉｍｐｉｍｐ１４＝ｐ１１ｌ１４
ｎ→ ∞ ｎ→ ∞
（ｎ）
（ｎ－１）
＋１／４（ｐ），１２＋ｐ１３
习题五解析
（ｎ）ｌｉｍｐ／９．１４＝１ｎ→ ∞
２２１
　　（３）由于２∈ Ｃ５ ∈ＣＣ故１，２，１与Ｃ２是基本常返闭集，ｌｉｍｐ．２５＝０

ｎ→ ∞ （ｎ）
习题五解析
５．１　科尔莫戈罗夫向前方程为ｐ ′ （ｔ）＝－λ ｐ（ｔ）＋λ ｔ），ｊ ≥ｉ＋１，ｉｊｊｉｊｊ－１ｐｉ，ｊ－１（ｐ ′ （ｔ）＝－λ ｐ（ｔ），ｉｉｉｉ上述微分方程的解由初始条件：ｐ（０）＝ｉｉｐ（ｔ）＝ｅｉ，ｉｉｐ（ｔ）＝ｅｉｊ
－λｔｊ λｔ
１，ｉ＝ｊ，得０，ｉ ≠ｊ
∫ｅ λ
λｓｊ０
ｊ－１
ｐ（ｓ）ｄｓ，ｊ≥ ｉ＋１．ｉ，ｊ－１
　　５．２　科尔莫戈罗夫向前方程为ｐ ′ （ｔ）＝－ｐ（ｔ）＋ｉｊｉｊ由于状态空间Ｉ＝｛１，２，３｝，故ｐ（ｔ）＋ｐｔ）＋ｐｔ）＝１，ｉｊｉ，ｊ－１（ｉ，ｊ＋１（所以１ｐ ′ （ｔ）＝－ｐ（ｔ）＋（１－ｐ（ｔ））ｉｊｉｊｉｊ２＝－解上述一阶线性微分方程得

－３／２ｔｐ（ｔ）＝ｃｅ＋ｉｊ
１１ｐ（ｔ）＋ｐｔ），ｉ，ｊ－１ｉ，ｊ＋１（２２
３１ｐ（ｔ）＋．２ｉｊ２１．３
由初始条件ｐ（０）＝ｉｊ确定常数ｃ，得１１－３／２ｔ－ｅ，ｉ ≠ｊ，３３１２－３／２ｔ＋ｅ，ｉ＝ｊ．３３１，ｉ＝ｊ，０，ｉ ≠ｊ
ｐ（ｔ）＝ｉｊ故其平稳分布
２２２
π ｌｉｍｐ（ｔ）＝１／３，ｊ＝１，２，３．ｊ＝ｉｊ
ｔ→ ∞
　　５．３　（１）由题意知Ｎ（ｔ）是连续时间的马尔可夫链，其状态空间Ｉ＝｛０，１， …，Ｍ｝．设时刻ｔ有ｉ台车床工作，且在（ｔ，ｔ＋ｈ］内又有一台车床开始工作，则在不计高阶无穷小时，它应等于原来停止工作的Ｍ－ｉ台车床中，在（ｔ，ｔ＋ｈ］内恰有一台开始工作．于是ｐｈ）＝（Ｍ－ｉ） λ ｈ＋ｏ（ｈ），ｉ＝０，１， …，Ｍ－１．ｉ，ｉ＋１（类似地ｐｈ）＝ｉ μ ｈ＋ｏ（ｈ），ｉ＝１，２， …，Ｍ，ｉ，ｉ－１（ｐ（ｈ）＝ｏ（ｈ），｜ｉ－ｊ｜≥２．ｉｊ显然｛Ｎ（ｔ），ｔ ≥ ０｝是生灭过程．其中 λ ）λ ｈ，ｉ＝０，１， …，Ｍ－１．ｉ＝（Ｍ－ｉ μ μ ｈ，ｉ＝１，２， …，Ｍ．ｉ＝ｉ由（５．１４）知它的平稳分布为 π ０＝１＋
ｊ　　　π ｊ＝ＣＭ
λ μ
－Ｍ
μ λ ＋μ
ｊ π μ ０ λ ｊ μ λ ＋ μ λ＋μ
１０Ｍ－ｊ
＝ＣｊＭ
，ｊ＝１，２， …，Ｍ．
１０ｊ
（２）Ｐ（Ｎ（ｔ）＞５）＝
ｊ＝６
π Ｃｊ＝６１０
ｊ＝６
６０ｊ３０１０－ｊ９０９０
＝０．７８０９．５．４　由题意知｛Ｘ（ｔ），ｔ ≥０｝是时间连续的马尔可夫链，其状态空间Ｉ＝｛０，１，２，３｝．－λ Ｑ＝ μ ００ λ －（ λ＋ μ ） μ ００ λ －（λ ＋μ ） μ ００ λ －μ ．
由定理５．７知绝对概率ｐ（ｔ）满足科尔莫戈罗夫方程ｊｐ ′ （ｔ）＝－λ ｐ（ｔ）＋μ ｐｔ），００１（ｐ ′ （ｔ）＝λ ｐ（ｔ）－（ λ＋μ ）ｐｔ）＋ μ ｐ（ｔ），１０１（２ｐ ′ （ｔ）＝λ ｐ（ｔ）－（ λ＋μ ）ｐｔ）＋ μ ｐ（ｔ），２１２（３ｐ ′ （ｔ）＝λ ｐ（ｔ）－μ ｐｔ），３２３（初始条件：ｐ０）＝１，ｐ（０）＝０，ｊ＝１，２，３．０（ｊ
习题五解析
２２３
　　５．５　（１）由题意知｛Ｘ（ｔ），ｔ ≥０｝是时间连续的马尔可夫链，其状态空间Ｉ＝｛０，１， …，ｍ｝，－ｍ λ Ｑ＝ｍ μ … ０ｍ λ … ００ … ０ … … ００ … ００ … ．－ｍ（ λ ＋μ ）ｍ λ …
ｍ μ －ｍ μ
　　（２）由定理５．７知绝对概率满足科尔莫戈罗夫方程ｐ ′ （ｔ）＝－ｍ λ ｐｔ）＋ｍ μ ｐ（ｔ），００（１ｐ ′ ｔ）＝ｍ λ ｐｔ）－ｍ（ λ＋μ ）ｐ（ｔ）＋ｍ μ ｐｔ），　０＜ｊ＜ｍ，ｊ（ｊ－１（ｊｊ＋１（ｐ ′ ｔ）＝ｍ λ ｐｍ－１（ｔ）－ｍ μ ｐｍ（ｔ），ｍ（ｐ０）＝０．０（　　（３）由于ｌｉｍｐ（ｔ）＝ｐ（常数），故由（２）可解出ｐｊ＝０，１， …，ｍ．ｊｊｊ，
ｔ→ ∞
５．６　设服务员的服务时间为Ｔ，则由题意知Ｔ服从指数分布，其概率密度为ｆ（ｔ）＝

－μ ｔ μ ｅ，ｔ＞０，
０，
ｎ
ｔ ≤０．
记在［０，ｔ］内到达的顾客数为Ｘ（ｔ），则（ λ ｔ）－ λｔＰ（Ｘ（ｔ）＝ｎ）＝ｅ，ｎ＝０，１，２， … ｎ！　　（１）在服务员的服务时间内到达顾客的平均数ＥＥ（Ｘ（ｔ）｜Ｔ＝ｔ）＝
∫ ６
０ ∞ ０
ｎ＝０
ｎ（ λ ｔ）－λ ｔ－μ ｔｎｅ μ ｅｄｔｎ！－μ ｔ
ｔ・μ ｅ ∫λ
ｄｔ＝
λ ． μ
（２）在服务员的服务时间内无顾客到达到的概率为　　　　　　　ｐ０＝
∫ｅ
０
－λ ｔ
・μ ｅｄｔ μ ｄｔ＝． μ ＋λ １－（ｙ２－ｙ１）２／２ｅｄｙ２２ π １－ｕ２／２ｅｄｕ２ π

Φ （α ）
－μ ｔ
∫
０
μ ｅ
－（ μ＋ λ ）ｔ
５．７　Ｐ（Ｂ（１）＜α ，Ｂ（２）＞０）＝Ｐ（Ｂ（１）＜α ，Ｂ（２）＞０｜Ｂ（０）＝０）＝＝
∫ ∫ ∫
－∞ α
１－ｙ２ｅ１／２ｄｙ１２ π １－ｙ２ｅ１／２ｄｙ１２ π
∫
０
－∞ α
－ｙ１
Φ （ｙｄΦ （ｙ）＝１）１
－∞
∫
０
ｙｄｙ＝
１ Φ （ α ）２．２
２２４
习题六解析
６．１　（１）ＥＸ（ｔ）＝１ｏｓ（ω ｔ＋θ ）・ｄ θ ＝０． ∫ｃ２ π
０２π ２π
（２）Ｒｔ＋τ，ｔ）＝ＥＸ（ｔ＋τ ）Ｘ（ｔ）Ｘ（＝１ｏｓ（ω ｔ＋ω τ ＋θ ）ｃｏｓ（ω ｔ＋θ ）・ｄ θ ∫ｃ２ π
０
１＝４ π
∫
０
２ π
ｃｏｓ（ω τ ）＋ｃｏｓ（２ω ｔ＋ω τ ＋２ θ ）ｄ θ
１＝ｃｏｓ（ω τ ），　与ｔ无关．２（３）Ｅ｜Ｘ（ｔ）｜＝ＲＸ（０）＝１／２＜∞．

２
由（１），（２），（３）知｛Ｘ（ｔ）｝是平稳过程．６．２　（１）由于正态随机变量的线性函数仍为正态随机变量，且ＥＸ（１）＝Ｅ（－Ａ）＝０，ＤＸ（１）＝Ｄ（－Ａ）＝ＤＡ＝σ ，ＥＸＤＸＸ（１）和Ｘ１２＝ＥＡ＝０，４２

２
２１１ σ ＝Ｄ２Ａ＝ＤＡ＝，４２２２
１的概率密度分别为４ｆ（１；ｘ）＝ｘｅｘｐ－２，ｘ∈Ｒ，２ σ ２ π σ １ｘｅｘｐ－２，ｘ∈Ｒ． σ π σ

２
ｆ（１／４；ｘ）＝
　　（２）Ｒｔ＋τ，ｔ）＝ＥＡｃｏｓ（ π ｔ＋π τ ）・Ａｃｏｓ（ π ｔ）Ｘ（
２＝σ ｃｏｓ（ π ｔ）・ｃｏｓ（ π ｔ＋π τ ），
即Ｒｔ＋τ ，ｔ）与ｔ有关，故｛Ｘ（ｔ）｝是非平稳过程．Ｘ（６．３　由于Ａ服从瑞利分布，故　　ＥＡ＝

∞ ２ｘｘｘ・２ｅｘｐ－２ｄｘ２ σ σ ∞ ２２ｘｘｘ・ｅｘｐ－２ｄ－２２ σ ２ σ ２ ∞ ０
∫
０
＝－
∫
０
ｘ＝－ｘ・ｅｘｐ－２２ σ
∫
０
ｘｅｘｐ－２ｄｘ２ σ
习题六解析
２２５
∞ ２ｘｅｘｐ－２ｄｘ２ σ ＋∞
∫
０
＝＝
１２
－∞
ｘｅｘｐ－２ｄｘ２ σ
＋∞ －２ｘ．ｅ２σ ｄ２ π σ
２ π σ ２
２ｘ
－∞
由于被积函数是标准正态随机变量的概率密度，故
∫
所以
＋∞
－∞
１－ｘ２ｅ２σ ｄｘ＝１，２ π σ
ＥＡ＝ＥＡ＝ｘ令ｙ＝２，则２ σ ＥＡ＝２ σ 故
２２２
π σ ，２
２
∫
０
ｘ２ｘｘ・２ｅｘｐ－２ｄｘ．２ σ σ
∫
２０
ｙｅｄｙ＝２ σ，
－ｙ
π ２４－π ２２２２ＤＡ＝ＥＡ－（ＥＡ）＝２ σ－ σ＝ σ．２２　　（１）ＥＸ（ｔ）＝ＥＡｃｏｓ（ω ｔ＋Θ ）＝ＥＡ・Ｅｃｏｓ（ω ｔ＋Θ ）＝・ｏｓ（ω ｔ＋θ ）・ｄ θ ＝０． ∫ｃ２ π

０２π
π σ ２
２（２）Ｒｔ＋τ，ｔ）＝ＥＡ・Ｅｃｏｓ（ω ｔ＋ω τ ＋Θ ）・ｃｏｓ（ω ｔ＋Θ ）Ｘ（
１２２＝・２ σ ・ｃｏｓ（ω τ ）＝σ ｃｏｓ（ω τ ），２与ｔ无关．
２２（３）Ｅ｜Ｘ（ｔ）｜＝ＲＸ（０）＝σ ＜∞．
综合（１），（２），（３）知｛Ｘ（ｔ）｝是平稳过程．６．４　（１）ＥＸ（ｔ）＝为Ｔ的连续实函数，故ＥＸ（ｔ）＝为常数．１Ｔ（ｙ）ｄｙ ∫ｆ

０Ｔ
（ｔ＋θ ）・ｄ θ ＝ ∫ｆ ∫ Ｔ
０ｔ
ｔ＋Ｔ
１ｆ（ｙ）・ｄｙ，由于ｆ（ｘ）是周期Ｔ
２２６
　　　ＲＸ（ｔ＋τ ，ｔ）＝ＥＸ（ｔ＋τ ）Ｘ（ｔ）＝（ｔ＋τ ＋θ ）ｆ（ｔ＋θ ）・ｄ θ ∫ｆＴ
０Ｔ
＝＝与ｔ无关，且
１Ｔ１Ｔ
∫
ｔ０
ｔ＋Ｔ
ｆ（ｙ＋τ ）ｆ（ｙ）ｄｙ
（ｙ＋τ ）ｆ（ｙ）ｄｙ ∫ｆ１Ｔ
Ｔ
２Ｅ｜Ｘ（ｔ）｜＝Ｒ０）＝Ｘ（
）ｄｙ＜∞， ∫ ｆ（ｙ
２０
因此｛Ｘ（ｔ）｝是平稳过程．（２）由（１）知ＲＸ（ τ ）＝１Ｔ（ｙ＋τ ）ｆ（ｙ）ｄｙ． ∫ｆ

０Ｔ
　　６．５　由于Ｘ（ｔ）与Ｙ（ｔ）是相互独立平稳过程，故ＥＺ（ｔ）＝Ｅ［Ｘ（ｔ）Ｙ（ｔ）］＝ＥＸ（ｔ）・ＥＹ（ｔ）＝ｍＸ・ｍＹ，　　Ｒ（ｔ＋τ ，ｔ）＝ＥＸ（ｔ＋τ ）Ｙ（ｔ＋τ ）Ｘ（ｔ）Ｙ（ｔ）Ｚ＝ＥＸ（ｔ＋τ ）Ｘ（ｔ）・Ｙ（ｔ＋τ ）Ｙ（ｔ）＝ＥＸ（ｔ＋τ ）Ｘ（ｔ）・ＥＹ（ｔ＋τ ）Ｙ（ｔ）＝ＲＸ（ τ ）・ＲＹ（ τ ），与ｔ无关．

２Ｅ｜Ｚ（ｔ）｜＝ＲＺ（０）＝ＲＸ（０）・ＲＹ（０）＜∞，
因此Ｚ（ｔ）为平稳过程．６．６　（１）对给定Ｔ＞０和任意ｔ，由题意知　ＤＸ（ｔ＋Ｔ）－Ｘ（ｔ）＝ＥＸ（ｔ＋Ｔ）－Ｘ（ｔ）－（ＥＸ（ｔ＋Ｔ）－Ｘ（ｔ））

２２＝ＥＸ（ｔ＋Ｔ）＋ＥＸ（ｔ）－２ＥＸ（ｔ＋Ｔ）Ｘ（ｔ）－０２２
＝２ＲＸ（０）－２Ｒ（Ｔ）＝０，Ｘ由契比雪夫不等式，对Ｐ ε ＞０Ｐ｜Ｘ（ｔ＋Ｔ）－Ｘ（ｔ）｜≥ε ≤ 即对Ｐｔ，Ｘ（ｔ＋Ｔ）以概率１等于Ｘ（ｔ）．（２）由于Ｘ（ｔ）是实平稳过程，对给定Ｔ和Ｐｔ由（１）式得Ｄ［Ｘ（ｔ＋Ｔ）－Ｘ（ｔ）］＝０，２ ε
习题六解析
２２７
　ＥＸ（ｔ＋Ｔ＋τ ）－Ｘ（ｔ＋τ ）２＝ＤＸ（ｔ＋Ｔ＋τ ）－Ｘ（ｔ＋τ ）　＋（ＥＸ（ｔ＋Ｔ＋τ ）－Ｘ（ｔ＋τ ））＝０＋０＝０，因此，　｜ＲＸ（ｔ＋Ｔ）－ＲＸ（ｔ）｜＝｜ＥＸ（ｔ＋Ｔ＋τ ）Ｘ（ τ ）－ＥＸ（ｔ＋τ ）Ｘ（ τ ）｜＝｜Ｅ（Ｘ（ｔ＋Ｔ＋τ ）－Ｘ（ｔ＋τ ））Ｘ（ τ ）｜ ≤（ＥＸ（ｔ＋Ｔ＋τ ）－Ｘ（ｔ＋τ ）・ＥＸ（ τ ））＝０，所以ＲＸ（ τ ＋Ｔ）＝ＲＸ（ｔ）．６．７　（１）ＥＹ（ｔ）＝ＥＸ（ｔ＋１）－Ｘ（ｔ）＝ＥＸ（ｔ＋１）－ＥＸ（ｔ）＝α ＋β （ｔ＋１）－（ α ＋β ｔ）＝β ，与ｔ无关．（２）Ｒｔ＋τ ，ｔ）＝ＥＸ（ｔ＋τ ＋１）－Ｘ（ｔ＋τ ）Ｙ（　・Ｘ（ｔ＋１）－Ｘ（ｔ）＝ＲＸ（ｔ＋τ ＋１，ｔ＋１）－ＲＸ（ｔ＋τ ，ｔ＋１）　－ＲＸ（ｔ＋τ ＋１，ｔ）＋ＲＸ（ｔ＋τ ，ｔ），由于Ｂｔｔ）＝ｅＸ（１，２
－λ ｜ｔ－ｔ｜１２２２１／２２２
，故
　　　　ＲＸ（ｔｔ（ｔｔ）＋ｍＸ（ｔｔ１，２）＝ＢＸ１，２１）ｍＸ（２）

－ λ｜ｔ－ｔ｜１２＋＝ｅ（ α＋β ｔ）（ α ＋β ｔ１２），
因此
｜τ ｜－λ ｜τ－１｜－λ ｜τ＋１｜２ＲＹ（ｔ＋τ ，ｔ）＝２ｅ－ λ －ｅ－ｅ＋β
＝ＲＹ（ τ ）．与ｔ无关．（３）Ｅ｜Ｙ（ｔ）｜＝ＲＹ（０）＝２－２ｅ＋β ＜＋∞．由（１），（２），（３）知Ｙ（ｔ）为平稳过程．６．８　（１）ＲＸＹ（ τ ）＝ＥＸ（ｔ＋τ ）Ｙ（ｔ）＝ＥＸ（ｔ＋τ ）（ａＸ（ｔ－τ （ｔ））１）＋Ｎ＝ａＲＸ（ｔ＋τ （ τ ）．１）＋ＲＸＮ（２）Ｒ τ ）＝ＥＸ（ｔ＋τ ）Ｎ（ｔ）＝ＥＸ（ｔ＋τ ）・ＥＮ（ｔ）＝０ＸＮ（Ｒ τ ）＝ａＲ τ ＋τ ＸＹ（Ｘ（１）．
ｋｋ２－λ ２
６．９　（１）ＥＹｎ＝Ｅ
ａｌＸｎ－ｌ＝
ｌ＝０
ａ・ＥＸ０．ｌｎ－ｌ＝
ｌ＝０
２２８
ｋｋ
（２）Ｒｎ＋ｍ，ｎ）＝ＥＹ（
ａｌＸｎ＋ｍ－ｌ
ｌ＝０
ａｌＸｎ－ｌ．
ｌ＝０
由条件知ＥＸＤＸｎ＝１，Ｘｎ相互独立，故ｎ＝０，ＥＸ珚Ｘｉｊ＝所以ＲＹ（ｎ＋ｍ，ｎ）＝

２
０，ｉ ≠ｊ，１，ｉ＝ｊ，
ａａｍ｜ ≤ｋ，ｍａ０＋ａｍ＋１ａ１＋…＋ａｋｋ－ｍ，０≤｜０，

ｋ
｜ｍ｜＞ｋ．
　　（３）Ｅ｜Ｙｎ｜＝ＲＹ（ｎ，ｎ）＝
ａｉ＜＋∞．
ｉ＝０
故由（１），（２），（３）知｛Ｙ｝是平稳过程．ｎ６．１０　由于Ｎ（ｔ）是泊松过程，故ｍＮ（ｔ）＝λ ｔ，ＲＮ（ｓ，ｔ）＝所以ＥＸ（ｔ）＝ＥＮ（ｔ＋Ｌ）－Ｎ（ｔ）＝λ （ｔ＋Ｌ）－λ ｔ＝λ Ｌ，ＲＸ（ｔ＋τ，ｔ）＝ＥＮ（ｔ＋Ｌ＋τ ）－Ｎ（ｔ＋τ ）Ｎ（ｔ＋Ｌ）－Ｎ（ｔ）＝ＲＮ（ｔ＋Ｌ＋τ ，ｔ＋Ｌ）－ＲＮ（ｔ＋Ｌ＋τ，ｔ）　－ＲＮ（ｔ＋τ ，ｔ＋Ｌ）＋ＲＮ（ｔ＋τ，ｔ），当 τ≥ Ｌ时　ＲＸ（ｔ＋τ ，ｔ）＝λ （ｔ＋Ｌ）λ （ｔ＋Ｌ＋τ ）＋１　－λ ｔλ （ｔ＋Ｌ＋τ ）＋１　－λ （ｔ＋Ｌ）λ （ｔ＋τ ）＋１＋λ ｔλ （ｔ＋τ ）＋１＝λ Ｌ．同理可得 λ Ｌ－λ τ ＋λ Ｌ，０≤τ ＜Ｌ，
２２ＲＸ（ｔ＋τ ，ｔ）＝ λ Ｌ＋λ τ ＋λ Ｌ，－Ｌ＜τ＜０，２２２２
λ ｓ（ λ ｔ＋１），ｓ ≤ｔ， λ ｔ（ λ ｓ＋１），ｓ＞ｔ．
λＬ，所以
τ≤－Ｌ．
Ｂ（ｔ＋τ ， τ ）＝ＲＸ（ｔ＋τ，ｔ）－ＥＸ（ｔ＋τ ）・ＥＸ（ｔ）Ｘ＝ λ （Ｌ－｜ τ ｜），｜ τ ｜＜Ｌ，０，｜ τ ｜≥ Ｌ．
６．１１　Ｘ（ｔ）为维纳过程，则
习题六解析
２ｍＸ（ｔ）＝０，　ＲＸ（ｓ，ｔ）＝σ （ｍｉｎ（ｓ，ｔ）），ｓ，ｔ ≥０．
２２９
　　（１）ＥＹ（ｔ）＝Ｅ
∫
０
Ｘ（ｓ）ｄｓ＝
∫
０
ＥＸ（ｓ）ｄｓ＝０．
（２）Ｒｔ＋τ ，ｔ）＝ＥＹ（ｔ＋τ ）Ｙ（ｔ）Ｙ（＝Ｅ＝＝当 τ≥０时ＲＹ（ｔ＋τ ，ｔ）＝σ

２２
∫
０ｔ＋τ ｔ＋τ
ｔ＋τ
Ｘ（ｓ）ｄｓ・
ｔ
（ｕ）ｄｕ ∫Ｘ
０
（ｓ）Ｘ（ｕ）ｄｕｄｓ ∫ ∫ ＥＸ
００
，ｕ）ｄｕｄｓ． ∫ ∫ Ｒ（ｓ
Ｘ００ｔｔ＋τ ｕｔｔ
∫∫
０
ｕｄｓｄｕ＋
ｄｕｄｓ ∫ ∫ｓ
０ｓ
＝σ
１３１２ｔ＋ｔτ ，与ｔ有关．３２
２
故｛Ｙ（ｔ），ｔ ≥ ０｝是非平稳过程．６．１２　（１）不是，因为ＲＸ（０）＝６≠σ ５．Ｘ＝（２）不是，因为ＲＸ（０）＝０ ≠σ Ｘ＝５．（３）不是，因为不满足｜ＲＸＹ（０）｜ ≤｜ＲＸ（０）ＲＹ（０）｜．（４）不是，因为ＲＹ（０）＜０．（５）不是，ＲＹ（０）＝ｌｉｍＲＹ（ τ ）＝５≠σ Ｙ．
τ→ ０２（６）是，ＲＹ（０）＝ｌｉｍＲＹ（ τ ）＝１０＝σ Ｙ． τ→ ０－｜τ ｜／２６．１３　ＢＸ（ｔ＋τ ，ｔ）＝Ｂ（ τ ）＝ＲＸ（ τ ）＝６ｅ．Ｘ２２２
故Ｂ τ ）为 τ的偶函数，所以协方差阵为Ｘ（６６ｅ６ｅ　　６．１４　（１）充分性　　　　ＥＸ（ｔ）＝ＥＵｃｏｓ（λ ｔ）＋Ｖｓｉｎ（ λ ｔ）＝ｃｏｓ（ λ ｔ）・ＥＵ＋ｓｉｎ（ λ ｔ）・ＥＶ＝０，ＲＸ（ｔ＋τ ， τ ）＝ＥＸ（ｔ＋τ ）Ｘ（ｔ）＝ＥＵｃｏｓ（ λ ｔ＋λ τ ）＋Ｖｓｉｎ（ λ ｔ＋λ τ ）　・Ｕｃｏｓ（ λ ｔ）＋Ｖｓｉｎ（λ ｔ）＝ｃｏｓ（ λ ｔ＋λ τ ）ｃｏｓ（ λ ｔ）・ＥＵ

２－１／２－１－１／２６ｅ
６ｅ－１６ｅ
－１／２
－３／２６ｅ
６６ｅ
－１／２－１
６ｅ６ｅ
－１
６ｅ
６６ｅ
－１／２
－１／２
－３／２
６ｅ
２３０
　＋ｃｏｓ（ λ ｔ＋λ τ ）ｓｉｎ（ λ ｔ）＋ｓｉｎ（ λ ｔ＋λ τ ）ｃｏｓ（ λ ｔ）Ｅ（ＵＶ）
２　＋ｓｉｎ（ λ ｔ＋λ τ ）ｓｉｎ（ λ ｔ）・ＥＶ２＝σ ｃｏｓ（ λ τ ），与ｔ无关．
Ｅ｜Ｘ（ｔ）｜＝Ｒ τ ， τ ）＝σ ＜∞，Ｘ（故知｛Ｘ（ｔ）｝为平稳过程．（２）必要性　Ｘ（ｔ）是平稳过程．由ＥＸ（ｔ）＝ｃｏｓ（ λ ｔ）・ＥＵ＋ｓｉｎ（ λ ｔ）・ＥＶ＝常数，可知ＥＵ＝ＥＶ＝０．
２　　由ＲＸ（ｔ＋τ ，ｔ）＝ＲＸ（ τ ），特别ＲＸ（ｔ，ｔ）＝常数，可推得ＥＶ＝ＥＵ２，ＥＵＶ
＝０，故Ｕ与Ｖ是互不相关、均值为零且方差相等的随机变量．６．１５　（１）ＲＸＹ（ τ ）＝Ｅａｃｏｓ（ω ｔ＋ω τ ＋φ ）・ｂｓｉｎ（ω ｔ＋φ ）＝１ａｂＥｓｉｎ（２ω ｔ＋ω τ ＋２φ ）－ｓｉｎ（ω τ ）２１ａｂｓｉｎ（ω τ ）．２
＝－
　　（２）Ｒ τ ）＝Ｅｂｓｉｎ（ω ｔ＋ω τ ＋φ ）・ａｓｉｎ（ω ｔ＋φ ）ＹＸ（＝＝１ａｂＥｓｉｎ（２ω ｔ＋ω τ＋２φ ）＋ｓｉｎ（ ω τ ）２１ａｂｓｉｎ（ω τ ）．２＋ＥＢ（ｔ）ｓｉｎｔ＝０．（２）Ｒ（ｔ＋τ ，ｔ）＝ＥＸ（ｔ＋τ ）＋Ｙ（ｔ＋τ ）ＺＸ（ｔ）＋Ｙ（ｔ）＝ＲＸ（ｔ＋τ ，ｔ）＋ＲＹ（ｔ＋τ ，ｔ）　＋ＲＸＹ（ｔ＋τ，ｔ）＋Ｒ（ｔ＋τ ，ｔ）ＹＺ＝ＲＡ（ τ ）ｃｏｓ（ｔ＋τ ）ｃｏｓｔ＋Ｒ τ ）Ｂ（　ｓｉｎ（ｔ＋τ ）ｓｉｎｔ＋０＋０＝ＲＡ（ τ ）ｃｏｓτ ，只与 τ有关．（３）Ｅ｜Ｚ（ｔ）｜＝Ｒ（０）＝ＲＡ（０）＜∞．Ｚ由（１），（２），（３）知｛Ｚ（ｔ）｝是平稳过程．６．１７　（１）ＥＺ（ｔ）＝
２ π ２
　　６．１６　（１）ＥＺ（ｔ）＝ＥＸ（ｔ）＋Ｙ（ｔ）＝ＥＡ（ｔ）ｃｏｓｔ
∫ｅ
０
ｉ（ω ｔ＋θ ）０
１・ｄ θ ２ π
１＝２ π
∫
０
２π
ｃｏｓ（ω ＋θ ）＋ｉｓｉｎ（ω ＋θ ）ｄ θ ０ｔ０ｔ
＝０．
习题六解析
２３１
（２）Ｒ（ｔ＋τ ，ｔ）＝ＥＺ（ｔ＋τ ）Ｚ（ｔ）Ｚ＝
∫ｅ
０
２π
ｉ（ ω ｔ＋ ω τ ＋ θ ）００
－ｉ（ω ｔ＋ θ ）１０ｅ・ｄ θ ２ π
∫ｅ
０ｉ ω τ
２π
ｉω τ ０
１・ｄ θ ２ π
＝ｅ０，与ｔ无关．（３）Ｅ｜Ｚ（ｔ）｜＝Ｒ（０）＝１．Ｚ由（１），（２），（３）知Ｚ（ｔ）为复平稳过程．ｔ＋τ ）６．１８　（１）ＲＺＺ（ｔ＋τ ，ｔ）＝ＥＸ１（

１２２
Ｙ１（ｔ＋τ ）　＋ｉ＝ＲＸ
Ｘ１２
Ｘ（ｔ）＋ｉＹ（ｔ）２２
１Ｙ２
（ｔ＋τ ，ｔ）＋ＲＹ
Ｙ１２
（ｔ＋τ，ｔ）
Ｘ１２
　－ｉＲＸ（２）若所有实过程都互不相关，则ＲＸ
Ｘ１２
（ｔ＋τ ，ｔ）＋ｉＲＹ（ｔ＋τ ，ｔ）（ｔ＋τ ，ｔ）
（ｔ＋τ ，ｔ）．
（ｔ＋τ ，ｔ）＝ＲＹ＝ＲＸ＝ＲＹ
１２
Ｙ１２Ｙ１２Ｘ１２
（ｔ＋τ ，ｔ）＝０，
ＲＺＺ（ｔ＋τ ，ｔ）＝０．
２　　６．１９　Ｅ｜Ｙ｜＝Ｅ
∫
ａａ
ａ＋Ｔ
Ｘ（ｔ）ｄｔ
ａ＋Ｔ
＝Ｅ
（ｓ）ｄｓ（ｔ）ｄｔ） ∫ Ｘ ∫ （Ｘ＝ｓ，ｔ）ｄｓｄｔ， ∫ ∫ Ｒ（
ａａ＋Ｔａ＋ＴＸａａ（２ａ＋２Ｔ）－｜ τ ｜
ａ＋Ｔ
令τ ＋ｓ， τ －ｔ，则１＝ｔ２＝ｓ
２Ｅ｜Ｙ｜＝
１２
∫ ∫
－ＴＴ－Ｔ
２ａ＋｜ τ ｜２
ＲＸ（ τ ）ｄ τ ２１ｄ τ ２
（Ｔ－｜ τ ｜）ＲＸ（ τ ）ｄ τ ．
６．２０　记Ｚ（ｔ）＝Ｗ（ｔ）＋Ｙ（ｔ），则Ｚ（ｔ）的相关函数ＲＺ（ｔ＋τ，ｔ）＝ＥＹ（ｔ＋τ ）＋Ｗ（ｔ＋τ ）Ｙ（ｔ）＋Ｗ（ｔ）＝ＲＹ（ｔ＋τ ，ｔ）＋ＲＹＷ（ｔ＋τ ，ｔ）　＋ＲＷＹ（ｔ＋τ，ｔ）＋ＲＷ（ｔ＋τ，ｔ）１＝ｃｏｓ（ω ）・ＲＸ（ τ ）０τ ２
２３２
１　＋ｃｏｓ（ω －ω ）・ＲＸ（ τ ）０τ １ｔ２１　＋ｃｏｓ（ω ＋ω ＋ω ）・ＲＸ（ τ ）０τ １ｔ１τ ２１　＋ｃｏｓ（ω ＋ω ）・ＲＸ（ τ ），０τ １τ ２当 τ＝０时，ＲＺ（ｔ，ｔ）＝Ｒ０）・ｃｏｓ（ω ）＋ＲＸ（０），与ｔ有关．Ｘ（１ｔ故Ｗ（ｔ）＋Ｙ（ｔ）为非平稳过程．６．２１　（１）ＥＸ（ｔ）＝ＥＡ・ｓｉｎ（ λ ｔ）＋ＥＢ・ｃｏｓ（ λ ｔ）＝０．１　　〈Ｘ（ｔ）〉＝ｌ．ｉ．ｍＴ→ ∞ ２Ｔ１＝ｌ．ｉ．ｍＴ→ ∞ ２Ｔ
∫ ∫
Ｘ（ｔ）ｄｔＡｓｉｎ（ λ ｔ）＋Ｂｃｏｓ（ λ ｔ）ｄｔ
Ｔ
－ＴＴ
－Ｔ
１＝ｌ．ｉ．ｍ ×２Ｔ→ ∞ ２Ｔ
∫
０
Ｂｃｏｓ（λ ｔ）ｄｔ
ｓｉｎ（ λ Ｔ）＝ｌ．ｉ．ｍＢ，Ｔ→ ∞ λ Ｔ由于Ｂ～Ｎ（０， σ），故ｌｉｍＥ
Ｔ→ ∞ ２
ｓｉｎ（ λ Ｔ）ｓｉｎ（ λ Ｔ）２Ｂ－０＝ｌｉｍ２２ＥＢ λ ＴＴ→ ∞ λＴｓｉｎ（ λ Ｔ）２＝ｌｉｍ２２ σ ＝０．Ｔ→ ∞ λＴ
２
ｓｉｎ（ λ Ｔ）即Ｂ均方收敛于０，故Ｘ（ｔ）的均值是各态历经的． λ Ｔ（２）ＥＸ（ｔ）＝ＥＡｓｉｎ（ λ ｔ）＋Ｂｃｏｓ（λ ｔ）　＋２ＡＢｓｉｎ（ λ ｔ）ｃｏｓ（ λ ｔ）＝σ ，１２　　　　〈Ｘ（ｔ）〉＝ｌ．ｉ．ｍＴ→ ∞ ２Ｔ１＝ｌ．ｉ．ｍＴＴ→ ∞ ２１＝ｌ．ｉ．ｍＴＴ→ ∞ ２

２２２２２２
∫ ∫ ∫
Ｔ２Ｘ（ｔ）ｄｔ
－ＴＴ
Ａｓｉｎ（ λ ｔ）＋Ｂｃｏｓ（ λ ｔ）
－Ｔ
　＋２ＡＢｓｉｎ（ λ ｔ）ｃｏｓ（ λ ｔ）ｄｔ
Ｔ－Ｔ２２２２Ａ＋ＢＢ－Ａ＋ｃｏｓ（２ λ ｔ）２２
　＋ＡＢｓｉｎ（２ λ ｔ）ｄｔ＝
２由条件知Ａ～Ｎ（０， σ ），故
Ａ＋Ｂ，２
２
ＡＡ２２２４１），Ｄ２＝２，ＤＡ＝２ σ ．２－ χ（ σ σ
习题六解析
２３３
ＥＤ
１２１２２２２（Ａ＋Ｂ）＝（ＥＡ＋ＥＢ）＝σ ，２２
１２１２２２４（Ａ＋Ｂ）＝（ＤＡ＋ＤＢ）＝σ ≠０，２４
２
因此Ｘ（ｔ）的均方值ＥＸ（ｔ）非各态历经．（３）将Ａ，Ｂ代入（２）中得〈Ｘ（ｔ）〉＝σ ＝ＥＸ（ｔ），故ＥＸ（ｔ）是各态历经的．６．２２　ＥＸ（ｔ）＝１（ｔ＋θ ）・ｄ θ ∫ｆＴ

０Ｔ２２２２
１＝Ｔ
∫
ｔ
ｔ＋Ｔ
ｆ（ｙ）ｄｙ＝
１Ｔ
（ θ ）ｄ θ ， ∫ｆ
０
１　　　　　〈Ｘ（ｔ）〉＝ｌ．ｉ．ｍＴＴ → ∞２１１＝ｌ．ｉ．ｍ
Ｔ → ∞ １
∫
Ｔ１０
Ｔ１
ｆ（ｔ＋Θ ）ｄｔ
－Ｔ１
１Ｔ１
ｆ（ｔ＋Θ ）ｄｔ，
令ＴＴ＋Ｔ ′ ，０≤ Ｔ ′ ＜Ｔ，则１＝ｎ１〈Ｘ（ｔ）〉＝ｌ．ｉ．ｍｎ→ ∞ ｎＴ＋Ｔ ′ ｎ＝ｌ．ｉ．ｍＴ＋Ｔ ′ ｎ→ ∞ ｎ＝１Ｔ
Ｔ０
∫
０Ｔ０
ｎＴ
ｆ（ｔ＋Θ ）ｄｔ＋
ｎＴ＋Ｔ ′
ｆ（ｔ＋Θ ）ｄｔ
ｎＴ
（ｔ＋Θ ）ｄｔ ∫ｆ
（ｔ＋Θ ）ｄｔ， ∫ｆ
对 Θ 的任意取值θ ∈［０，Ｔ］，由于　　　　　１Ｔ１（ｔ＋θ ）ｄｔ＝ ∫ ∫ｆＴ
００ＴＴ＋ θ
ｆ（ｓ）ｄｓ
＝故Ｘ（ｔ）是均值遍历的．同理
１Ｔ
（ｓ）ｄｓ＝ＥＸ（ｔ）， ∫ｆ
０
１〈Ｘ（ｔ＋τ ）Ｘ（ｔ）〉＝ｌ．ｉ．ｍＴ →∞ ２Ｔ１１＝ｌ．ｉ．ｍ
Ｔ →∞ １
∫
Ｔ１０
ｆ（ｔ＋Θ ）ｆ（ｔ＋τ ＋Θ ）ｄｔｆ（ｔ＋Θ ）ｆ（ｔ＋τ ＋Θ ）ｄｔ
－Ｔ１
１Ｔ１
１Ｔ
（ｔ＋Θ ）ｆ（ｔ＋τ ＋Θ ）ｄｔ． ∫ｆ
０
对 Θ 的任意取值θ ∈［０，Ｔ］，由于
２３４
　＝
１Ｔ１Ｔ
（ｔ＋θ ）ｆ（ｔ＋τ ＋θ ）ｄｔ ∫ｆ
０
（ｓ）ｆ（ｔ＋τ ）ｄｔ＝Ｒ（ τ ）， ∫ｆ
Ｘ０
故Ｘ（ｔ）相关函数是遍历的．总之，Ｘ（ｔ）是遍历过程．
习题七解析
７．１　由谱密度的性质知：谱密度是实的偶函数，对于有理谱分母的次数大于分子次数，且分母无实根．（３）分母有实根，（５）不是实函数，故（１），（２），（４）是谱密度．７．２　ｓ（ω ）＝Ｘ
∫ ∫
＋∞
－ａ｜τ ｜
ｅｄ τ
－ｉω τ
－∞ ＋∞ －ａ｜τ ｜ｅｃｏｓ（ ω τ ）－ｉｓｉｎ（ω τ ）ｄ τ ∞
－∞ －ａ τ
＝２
∫ｅ
０
ｃｏｓ（ω τ ）ｄ τ
２ａ＝２２．ａ＋ω ７．３　ＲＸ（ τ ）＝ＥＸ（ｔ＋τ ）Ｘ（ｔ）＝ａ＝ｏｓ（ω ｔ＋ω τ ＋θ ）ｃｏｓ（ω ｔ＋θ ）ｄ θ ∫ｃ２ π
２－π ０００２ π
ａｃｏｓ（ω ），０τ ２
＋∞ －∞
　　　　　ｓ ω ）＝Ｘ（
∫ ∫
２
Ｒ τ ）ｅｄ τ Ｘ（ａ－ｉωτ ｃｏｓ（ω ）・ｅｄ τ ０τ ２
２
－ｉ ω τ
＋∞
－∞
＝７．４　ｓ（ω ）＝Ｘ
ａ πδ （ω＋ ω ）＋δ （ ω－ω ）．００２

＋∞
∫ ∫
ＲＸ（ τ ）ｅ４ｅ
－｜τ ｜
－ｉω τ
ｄ τ
－ｉω τ
－∞ ＋∞
ｃｏｓ（ π τ ）＋ｃｏｓ（３ π τ ）ｅ
ｄ τ
－∞
＝４
１１＋２２（ω －π ）＋１（ω＋π ）＋１
　＋π δ （ω－３ π ）＋δ （ω ＋３ π ）．７．５　用复变函数的留数公式可得
习题七解析
２３５
｜ τ ｜＋１－｜τ｜Ｒ τ ）＝ｅ．Ｘ（４　　７．６　ＥＹ（ｔ）＝ＥＸ（ｔ）＋Ｘ（ｔ－Ｔ）＝ｍＸ（ｔ）＋ｍＸ（ｔ－Ｔ）＝２ｍＸ，ＲＹ（ｔ＋τ ，ｔ）＝ＥＸ（ｔ＋τ ）＋Ｘ（ｔ＋τ －Ｔ）故｛Ｙ（ｔ）｝为平稳过程．ｓ ω ）＝Ｙ（Ｘ（ｔ）＋Ｘ（ｔ－Ｔ）＝２ＲＸ（ τ ）＋ＲＸ（ τ ＋Ｔ）＋ＲＸ（ τ －Ｔ），
∫ ∫
＋∞ －ｉω τ Ｒ τ ）ｅｄ τ Ｙ（
－∞ ＋∞ －ｉω τ ２Ｒ τ ）＋ＲＸ（ τ ＋Ｔ）＋ＲＸ（ τ －Ｔ）ｅｄ τ Ｘ（ｉωＴ－ｉωＴ
－∞
＝２ｓ ω ）＋ｓ ω ）ｅ＋ｓ ω ）ｅＸ（Ｘ（Ｘ（＝２ｓ ω ）１＋ｃｏｓ（ω Ｔ）．Ｘ（１７．７　ＲＸ（ τ ）＝２ π ＝＝１ π １ π
∫
０
＋∞ －∞
ｓ ω ）ｅｄ ω Ｘ（ｓ（ω ）ｃｏｓ（ω τ ）ｄω Ｘ
２Ｃｃｏｓ（ ω τ ）ｄ ω
ｉω τ
∫ ∫
＋∞
２ω ０ ω ０
２Ｃｓｉｎ（２ω ）－ｓｉｎ（ ω ）．＝０τ ０τ π τ
７．８　ＲＸ（ τ ）＝ＥＸ（ｔ＋τ ）Ｘ（ｔ）＝
∫∫
－∞ ０
＋∞
２ π
ａｃｏｓ（ω ｔ＋ω τ＋φ ）ａｃｏｓ（ ω ｔ＋φ ）ｆ（ ω， φ ）ｄ φ ｄω ，
由于 Φ～Ｕ［０，２ π ］， Φ 与 Ω 独立，若设 Ω 的概率密度为ｆ（ω ）， ω∈（－ ∞，＋∞），则１ｆ（ω， φ ）＝ｆ（ω ），－∞＜ ω＜＋∞，０＜ φ＜２ π．２ π ａＲＸ（ τ ）＝２ π ＝＝＝ａ２

２２
∫ ∫ ∫
＋∞ －∞ ＋∞
ｆ（ω ）ｄω
ｏｓ（ω ｔ＋ω τ ＋φ ）ｃｏｓ（ω ｔ＋φ ）ｄ φ ∫ｃ
０
２π
ｆ（ω ）ｃｏｓ（ ω τ ）ｄω ｆ（ ω ）ｃｏｓ（ω τ ）ｄω＋ｉｆ（ω ）ｅｄ ω
ｉ ωτ ｓ（ω ）ｅｄ ω，Ｘｉω τ
－∞ ＋∞ －∞
２ａ２２ａ２
＋∞
ｆ（ω ）ｓｉｎ（ω τ ）ｄω
－∞
＋∞ －∞ ＋∞
１＝２ π
－∞
２３６
由最后一个等式知
２ｓ ω ）＝π ａｆ（ω ）．Ｘ（
７．９　由ＲＸＹ（ τ ）＝ＲＹＸ（－τ ）知　　　　　ｓ ω ）＝ＸＹ（
∫ ∫ ∫
＋∞
－ｉω τ
ｄ τ ｄ τ
－∞
＋∞
ＲＹＸ（－τ ）ｅ
＋∞
－ｉω τ
－∞ ｉ ω（－ τ ）ＲＹＸ（－τ ）ｅｄ（－τ ）
＝－＝所以
∫
＋∞ －∞
－∞ －ｉω ｓＲＹＸ（ｓ）ｅｄｓ＝Ｓ（ ω ），ＹＸ
ω ）＝Ｒ ω ），ＲｅＳｅｓＸＹ（ＹＸ（ ω ）＝－Ｉ ω ）．ＩｍＳｍＳＸＹ（ＹＸ（　　７．１０　（１）ＲＹ（ τ ）＝ＥＸ（ｔ＋ａ＋τ ）　－Ｘ（ｔ－ａ＋τ ）
＋∞
Ｘ（ｔ＋ａ）－Ｘ（ｔ－ａ）
＝２ＲＸ（ τ ）－ＲＸ（ τ －２ａ）－ＲＸ（ τ ＋２ａ）．（２）ｓ ω ）＝Ｙ（
ＲＹ（ τ ）ｅ
－ｉ ωτ
ｄ τ
－ｉω （ τ－２ａ）
－∞
＝２ｓ ω ）－Ｘ（　－
＋∞ －∞
Ｒ（ τ－２ａ）ｅＸ
－ｉω （τ＋２ａ）
・ｅ
－ｉω ２ａ
ｄ τ
＋∞
ＲＸ（ τ ＋２ａ）ｅ
・ｅｄ τ
ｉω ２ａ
－∞
＝２ｓ ω ）１－ｃｏｓ（２ω ａ）Ｘ（＝４ｓ ω ）（ｓｉｎω ｔ）．Ｘ（７．１１　（１）ＲＸＹ（ τ ）＝ＥＸ（ｔ＋τ ）Ｙ（ｔ）＝ＥＸ（ｔ＋τ ）・ＥＹ（ｔ）＝ｍＸｍＹ．　　　　　ｓ ω ）＝ＸＹ（

＋∞ －ｉω τ ＲＸＹ（ τ ）ｅｄ τ ２
∫
＋∞
－∞
＝２ πｍＸｍＹδ （ω ）．ＲＸＺ（ τ ）＝ＥＸ（ｔ＋τ ）Ｚ（ｔ）＝ＲＸ（ τ ）＋ＲＸＹ（ τ ）．　　　　ｓ ω ）＝ＸＺ（
∫ ∫
－ｉω τ ＲＸＺ（ τ ）ｅｄ τ
－∞ －ｉω τ ＲＸ（ τ ）＋ＲＸＹ（ τ ）ｅｄ τ
＋∞
－∞
＝ｓ（ω ）＋ｓ ω ）．ＸＸＹ（
习题七解析
２３７
２２７．１２　设Ｘ（ｔ）的相关函数为ＲＸ（τ ），若ｄｓ ω ）／ｄω 是Ｙ（ｔ）的谱密度，Ｘ（
则由于ｓ ω ）＝Ｘ（
２２
＋∞ －ｉ ωτ ＲＸ（ τ ）ｅｄ τ ，＋∞
－∞
ｄｓ ω ）／ｄ ω＝Ｘ（由假设知
－τ ＲＸ（ τ ）ｅｄ τ ，
－ｉω τ
－∞
２２ｄｓ（ω ）／ｄ ω ＝Ｘ
＋∞ －ｉ ω τ ＲＹ（ τ ）ｅｄ τ ，
－∞
故ＲＹ（ τ ）＝－τ ＲＸ（ τ ），ＲＹ（０）＝０．由｜Ｒ（０）｜ ≥｜Ｒ（ τ ）｜知ＲＹ（ τ ）≡０，矛盾．７．１３　ＲＹ（ τ ）＝Ｔ－｜ τ ｜，｜ τ ｜＜Ｔ，０，其它，ｓｉｎ
２ｓ ω ）＝ＴＹ（２
ω Ｔ２ ω Ｔ２
ｅ－１ｓ ω ）＝－．ＸＹ（ｉ ω 　　７．１４　（１）ＥＺ（ｔ）＝ｃｏｓ（ω ）ＥＸ（ｔ）＋ｓｉｎ（ω ）ＥＹ（ｔ）＝０，０ｔ０ｔ（ｔ＋τ ）ｃｏｓ（ ω ＋ω ）（２）Ｒ（ｔ＋τ ，ｔ）＝ＥＸ０ｔ０τ Ｚ　＋Ｙ（ｔ＋τ ）ｓｉｎ（ω ＋ω ）０ｔ０τ 　・Ｘ（ｔ）ｃｏｓ（ω ）＋Ｙ（ｔ）ｓｉｎ（ω ）０ｔ０ｔ＝ＲＸ（ τ ）・ｃｏｓ（ω ）－Ｒ τ ）ｓｉｎ（ω ），０τ ＸＹ（０τ 与ｔ无关．（３）ＥＺ（ｔ）＝Ｒ０）＝ＲＸ（０）＜∞，Ｚ（由（１），（２），（３）知Ｚ（ｔ）是平稳过程．　　　　ｓ（ ω ）＝Ｚ
２
ｉωＴ
∫ ∫ ∫
＋∞
ＲＺ（ τ ）ｅ
－ｉ ωτ
ｄ τ
－ｉω τ
－∞
＋∞ －∞ ＋∞ －∞
ＲＸ（ τ ）ｃｏｓ（ ω ）ｅ０τ
ｄ τ
－ｉω τ
　＋＝
∫
＋∞ －∞
ＲＸＹ（ τ ）ｓｉｎ（ω ）ｅ０τ ｅＲＸ（ τ ）
－ｉω τ ０ｉω τ
ｄ τ
＋ｅ０－ｉωτ ｅｄ τ ２
２３８
　＋＝
＋∞ －∞
ｉω τ －ｉω τ ０－ｅ０ｅ－ｉω τ ＲＸＹ（ τ ）ｅｄ τ ２ｉ
１ｓ ω＋ ω ω－ω ）Ｘ（０）＋ｓＸ（０２ｉｓ ω－ ω ω ＋ω ＸＹ（０）－ｓＸＹ（０）．２

２２
　＋
２ β σａ７．１５　ｓ ω ）２Ｙ（２２２，（ β ＋ ω）（ｂ＋ω）ＲＹ（ τ ）＝

２２ σ ・ａ－ｂ｜τ ｜－β ｜τ ｜ β ｅ－ｂｅ．２２ｂ（ β －ｂ）２２
２ α β （ ω ＋ａ）７．１６　ｓ ω ）＝２Ｙ（２２２，（ ω ＋ｂ）（ω ＋ａ） β α （ａ－ｂ）－ｂ｜τ｜２２ＲＹ（ τ ）＝２ｅ＋（ α －ａ）ｅ－ α｜τ｜．２ｂａ－ｂ

２２２ α ＋ω ２ σ β ７．１７　ｓ ω ）＝Ｙ（２２・２２，１（２ α ）＋ω β ＋ ω ２２
α ２ σβ ｓ ω ）＝Ｙ（２２・２２，２（２ α ）＋ω β ＋ ω ｓＹ
Ｙ１２
（ω ）＝
２ σβ ｉ ω＋α α ・．２２ｉ ω＋２α ２ α －ｉ ω β ＋ω
７．１８　（１）ＥＹ（ｔ）＝ＥＸ（ｔ）－Ｘ（ｔ－１）＝０．（２）Ｒｔ＋τ ，ｔ）＝ＥＹ（ｔ＋τ ）Ｙ（ｔ）Ｙ（＝ＥＸ（ｔ＋τ ）－Ｘ（ｔ＋τ －１）　・Ｘ（ｔ）－Ｘ（ｔ－１）．由于Ｘ（ｔ）是正交增量过程，利用其增量在不重叠的时间区间正交这一性质对 τ 进行讨论．（ｉ）若｜ τ ｜≥ １时，则ＲＹ（ｔ＋τ ，ｔ）＝０．（ｉｉ）若０≤τ ＜１，则　　　ＲＹ（ｔ＋τ，ｔ）＝ＥＸ（ｔ＋τ ）－Ｘ（ｔ）　＋Ｘ（ｔ）－Ｘ（ｔ＋τ－１）　・（Ｘ（ｔ）－Ｘ（ｔ＋τ－１））　＋（Ｘ（ｔ＋τ －１）－Ｘ（ｔ－１））＝ＥＸ（ｔ）－Ｘ（ｔ＋τ －１）２＝１－τ ．（ｉｉｉ）若－１＜τ ＜０，则ＲＹ（ｔ＋τ ，ｔ）＝Ｅ［（Ｘ（ｔ＋τ ）－Ｘ（ｔ－１））＋（Ｘ（ｔ－１）　－Ｘ（ｔ＋τ－１））］・［（Ｘ（ｔ）－Ｘ（ｔ＋τ ））　＋（Ｘ（ｔ＋τ ）－Ｘ（ｔ－１））］
习题七解析
２＝Ｅ［Ｘ（ｔ＋τ ）－Ｘ（ｔ－１）］＝１＋τ ．
２３９
因此ＲＹ（ τ ）＝Ｒｔ＋τ，ｔ）＝Ｙ（　　（３）ＥＹ（ｔ）＝ＲＹ（０）＜∞．故由（１），（２），（３）知Ｙ（ｔ）为平稳过程，其功率谱　　　　　ｓ ω ）＝Ｙ（

２
１－｜ τ ｜，｜ τ ｜＜１，０，｜ τ ｜ ≥１．
∫
１
＋∞ －∞
ＲＹ（ τ ）ｅ
－ｉω τ
ｄ τ ｄ τ
１－｜ τ ｜）ｅ ∫（
－１１０
－ｉω τ
＝２
１－τ ）ｃｏｓ（ω τ ）ｄ τ ∫（
２（１－ｃｏｓω ）＝．２ ω ７．１９　由于｛Ｘ（ｔ）｝与｛Ｙ（ｔ）｝是联合平稳，故 ω ）ｓ（ω ）＝ｓ ω ）＋ｓ ω ）＋２ＲｅｓＸＹ（ＺＸ（Ｙ（　　　ｓ ω ）＝Ｘ（
∫ ∫
ＲＸ（ τ ）ｅｄ τ ４ｅ
∞ －｜τ ｜
－ｉ ω τ
－∞ ∞
ｃｏｓ（ π τ ）ｅ
－ｉω τ
ｄ τ
－∞ －τ
＝８＝４
ｏｓ（ π τ ）ｃｏｓ（ω τ ）ｄ τ ∫ｅｃ
０
∫ｅ
０
－τ
ｃｏｓ（ π＋ω ） τ＋ｃｏｓ（ π－ ω ） τｄ τ
＝４
１１＋，２２（ω＋π ）＋１（ω－π ）＋１
∞ －ｉω τ ＲＹ（ τ ）ｅｄ τ －∞ ∞
　　　　ｓ ω ）＝Ｙ（
∫ ∫ ∫
１２
∞
ｃｏｓ（３ π τ ）ｅｄ τ ｅ＋ｅ α
∞ ｉ３πτ －ｉ３πτ －ｉω τ ｅｄ τ
－ｉω τ
－∞
－∞
∫
∞ －∞
－ｉ（ ω －３π ）τ
＋ｅ
－ｉ（ω ＋３ π ）τ
ｄ τ
－∞
＝π δ （ω－３ π ）＋δ （ω＋３ π ），　　　　ｓ ω ）＝ＸＹ（
∫
１
－ｉω τ
ｄ τ ｄ τ
１－｜ τ ｜）ｅ ∫（
－１
－ｉω τ
２４０
＝２（１－τ ）ｃｏｓω τ ｄ τ
０
２（１－ｃｏｓω ）＝，２ ω 　ｓ（ω ）＝４Ｚ１１＋２２（ω＋π ）＋１（ω－π ）＋１
４（１－ｃｏｓω ）　＋π δ （ω－３ π ）＋δ （ω＋３ π ）＋．２ ω
习题八解析
８．１　（１）（１－０．２Ｂ）Ｘｔ＝ａｔ．（３）（１＋０．７Ｂ－０．５Ｂ）Ｘ（１－０．４Ｂ）ａｔ＝ｔ．（５）（１－０．３Ｂ）Ｘ１－１．５Ｂ＋Ｂ）ａｔ＝（ｔ．８．２　（１）平稳；（２）平稳，可逆；（３）可逆；（４）可逆；（５）平稳．８．３　ＡＲ（１）有 ρ ｋ＞０），ｋ＝φ １（ φ φ １１ＡＲ（２）有 ρ ， ρ ＋φ ρ （ｋ≥３）．１＝２＝２，ｋ＝φ １ρ ｋ－１＋φ ２ρ ｋ－２１－φ １－φ １２１，０．５６，１．５３ｋ＝０，ｋ＝±１，
２ｋ２２
８．４　ρ ｋ＝
－０．３，ｋ＝±２，１．５３０，其它．

｜ｋ｜
４５３８．９　ρ ｋ＝３８４
７３８
１４
｜ｋ｜
，ｋ＝０， ±１， ±２， …．
８．１０　（１）近似有Ｘ０．５ａｔ＝ａｔ－ｔ－１，（２）近似有Ｘ５Ｘｔ－０．ｔ－１＝ａｔ．
参考书目
［１］　申鼎煊．随机过程．武汉：华中理工大学出版社，１９９０［２］　复旦大学．概率论（第三册）．北京：人民教育出版社，１９８１［３］　王梓坤．随机过程论．北京：科学出版社，１９６５［４］　浙江大学数学系．概率论与数理统计．北京：人民教育出版社，１９８９［５］　李漳南，吴荣．随机过程教程．北京：高等教育出版社，１９８７［６］　Ａ．帕普力斯．概率、随机变量与随机过程．谢国瑞等译．北京：高等教育出版社，１９８３［７］　陆大铨．随机过程及其应用．北京：清华大学出版社，１９８６［８］　闵华玲．随机过程．上海：同济大学出版社，１９８７［９］　安鸿志，陈兆国，杜金观，潘一民．时间序列的分析与应用．北京：科学出版社，１９８３［１０］　谢衷洁．时间序列分析．北京：北京大学出版社，１９９０［１１］　Ｓ．Ｍ．劳斯．随机过程．何声武等译．北京：中国统计出版社，１９９７［１２］　Ｇ．Ｅ．Ｐ．Ｂｏｘ，Ｇ．Ｎ．Ｊｅｎｋｉｎｓ，Ｇ．Ｃ．Ｒｅｉｎｓｅｌ．时间序列分析．预测与控制．顾岗主译．北京：中国统计出版社，１９９７［１３］　Ｋａｎｎａｎ，ＡｎＤ．ＩｎｔｒｏｄｕｃｔｉｏｎｔｏＳｔｏｃｈａｓｔｉｃＰｒｏｃｅｓｓｅｓ，ＮｅｗＹｏｒｋ：ＮＯＲＴＨＨＯＬＬＡＮＤ，１９７９［１４］　ＨｕｎｔｅｒＪ．ＭａｔｈｅｍａｔｉｃａｌＴｅｃｈｎｉｑｕｅｓｏｆＡｐｐｌｉｅｄＰｒｏｂａｂｉｌｉｔｙ，ＮｅｗＹｏｒｋ：ＡＣＡＤＥＨＩＣＰＲＥＳＳ，１９８３

随机过程

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

随机过程

Uploaded by

Copyright:

Available Formats

研究生教学用 书

本书如有 缺页、 倒页、 脱页等 质量问题， 请到 所购图书销 售部门 联系调换 。

由于事件是集合， 故集合的运算（并、 交、 差、 上极限、 下极限、 极限等）都适用

则称 Ｆ为 σ代数 （事件域）． （Ω， Ｆ ）称为 可测空间 ， Ｆ中的元素称为事件． 由定义易知： （ ４ ） ∈Ｆ；

（ ５ ） 若 Ａ， Ｂ∈Ｆ， 则 Ａ＼ Ｂ∈Ｆ； （ ６ ）若 Ａ ｉ ＝ １， ２， …则 ｉ ∈Ｆ，

定义１． ３ 设 （Ω， Ｆ， Ｐ ）是概率空间， Ｇ＜ Ｆ， 如 果对任意 Ａ Ａ …， Ａｎ ∈Ｇ， １， ２， ｎ ＝１， ２， …有

§ １． ２ 随 机变量及 其分布

， ａ ｂ …， ｂ ａ ｂ …， ｂ ）＋… ｉ， ｉ＋１ ， ｊ－１ ， ｊ， ｊ＋ １ ， ｎ

＋（－１ ）Ｆ （ａ ａ …， ａ ）≥０； １， ２， ｎ （ ４ ）ｌ ｉ ｍ Ｆ （ ｘ ｘ …， ｘ …， ｘ ） ＝０， ｉ ＝１， ２， …， ｎ， １， ２， ｉ， ｎ

Ｆ （ｘ ）＝ Ｐ （Ｘ≤－１ ）＋ Ｐ （ －１＜ Ｘ≤ ｘ ） ＝ １ ５ ｘ＋ ５ ５ｘ＋７ ＋ ＝ ． ８ １ ６ １ ６ ０， Ｆ （ｘ ） ＝ ｘ＜－１，

若随机向量 Ｘ＝（Ｘ Ｘ …， Ｘ ｉ ＝１， ２， …， ｎ都 是离 散 １， ２， ｎ）的每 个分 量 Ｘ ｉ，

§ １． ３ 随 机变量的 数字特 征

若存在定义在 Ｒ 上的非负函数ｆ （ ｘ ｘ …， ｘ ）， 对于任意（ｙ ｙ …， ｙ ） １， ２， ｎ １， ２， ｎ ∈Ｒｎ ， 随机向量 Ｘ＝（Ｘ Ｘ …， Ｘｎ）的联合分布函数 １， ２， Ｆ （ｙ ｙ …， ｙ ）＝ １， ２， ｎ

则称｛Ｘ ｔ ∈Ｔ ｝是独立 的． ｔ， 如果｛Ｘ ｔ ∈Ｔ ｝是一族独立的离散型随机变量， （ １． １ ）式等价于 ｔ，

如果｛Ｘ ｔ ∈Ｔ ｝是一族独立的连续型随机变量， （ １． １ ）式等价于 ｔ，

其中 ｆ ｘ ｘ …， ｘ ）是 随 机 向 量（Ｘ Ｘ …， Ｘ ｔ ，… ， ｔ（ １， ２， ｎ ｔ ， ｔ ， ｔ ）的 联 合 概 率密 度， ｆ ｘ ）是随机变量 Ｘ ｉ ＝１， ２， …， ｎ． ｔ（ ｉ ｔ 的概率密度，

独立性是概率中的重要概念． 在实际问题中， 独立性的判断通常是根据经验 或具体情况来决定的．

为 Ｘ 的数学期望 或 均值． 上式右边的积分称为 Ｌ ｅ ｂ ｅ ｓ ｇ ｕ ｅ－Ｓ ｔ ｉ ｅ ｌ ｔ ｊ ｅ ｓ积分． 若 Ｘ 是离散型随机变量， 分布列 ｐ （Ｘ＝ ｘ ） ， ｋ＝ １， ２， …， ｋ＝ Ｐ ｋ 则

§ １． ４ 特 征函数、 母 函数和拉 氏变换

随机变量的特征函数具有下列性质： （ １ ）ｇ （ ０ ）＝１， ｜ｇ （ ｔ ） ｜≤１ ， ｇ （－ｔ ）＝ｇ （ ｔ ）． （ ２ ）ｇ （ ｔ ）在（－∞， ∞）上一致连续．

且当 ｋ ≤ ｎ时 ， 有ｇ （ ０ ）＝ ｉＥ Ｘ． （ ４ ）ｇ （ ｔ ）是非负定函数． 即对任意正整数 ｎ及任意实数ｔ ｔ …， ｔ １， ２， ｎ 和复数 ｚ ｚ …， ｚ 有 １ ， ２ ， ｎ，

对于 ｎ维随机变量也可以定义特征函数． 定义１． １ １ 设 Ｘ＝ （Ｘ Ｘ …， Ｘｎ） 是 ｎ维随机变量 ， ｔ ＝（ ｔ ｔ …， ｔ ）∈ １， ２， １， ２， ｎ Ｒ ， 则称

ｎ维随机变量的特征函数具有类似于一维随机变量的特征函数的性质 ． 例１． ２ 设 Ｘ 服从 Ｂ （ｎ， ｐ ）， 求 Ｘ 的特征函数ｇ （ ｔ ）及 Ｅ Ｘ、 Ｅ Ｘ、 Ｄ Ｘ． 解 Ｘ 的分布列为

ｉ ｔ ｋ ｋ ｋ ｎ－ ｋ ｋ ｉ ｔ ｋ ｎ－ ｋ ｇ （ ｔ ）＝ ∑ ｅ Ｃ ＝∑Ｃ ｐ ｅ ）ｑ ｎｐｑ ｎ（ ｋ＝０ ｋ ＝０

＝（ｐ ｅ ＋ｑ ）． 由性质知 ｄ ｉ ｔ ｎ Ｅ Ｘ＝－ ｉ ｇ ′ （ ０ ）＝－ ｉ （ ｐ ｅ ＋ｑ ） ｄ ｔ Ｅ Ｘ ＝（－ ｉ ）ｇ ″ （ ０ ）＝（－ ｉ ） 故

§ １． ４ 特 征函数、 母 函数和拉 氏变换

例１． ３ 设 Ｘ～ Ｎ （ ０， １ ）， 求 Ｘ 的特征函数 ｇ （ ｔ ）． 解 由于｜ ｉ ｘ ｅ

ｄ ｘ＜∞， 故 可对（ １． ２ ）式右

由于 ｇ （ ０ ）＝１， 所以 ｃ ＝０， 于是 Ｘ 的特征函数为 ｇ （ ｔ ）＝ｅ 实数， 证明 Ｙ 的特征函数ｇ ｔ ）为 Ｙ（

例１． ４ 设随机变量 Ｘ 的特征函数为ｇ （ ｔ ）， Ｙ＝ａ Ｘ＋ｂ ， 其中 ａ， ｂ为任意 Ｘ

例１． ５ 设随机变量 Ｙ～ Ｎ （ ａ ， σ）， 求 Ｙ 的特征函数ｇ ｔ ）． Ｙ（

§ １． ４ 特 征函数、 母 函数和拉 氏变换

ｋ－ ｎ ｋ （ ｋ－１ ）…（ ｋ － ｎ＋１ ）ｐ ｓ ． ｋ

Ｅ Ｘ＝ 同理可证（ １． ４ ）式． （ ３ ） 显然．

ｋ ＝∑ Ｐ （Ｎ＝ｌ ）∑ Ｐ （Ｙ＝ｋ ） ｓ ｌ＝ ０ ∞ ｋ＝０ ∞ ｌ

为了应用的方便， 我们不加证明地给出如下常用的几个结论． 性质１ 若 Ｘ～ Ｎ （ ａ， Ｂ ）， 则Ｅ Ｘ ＢＸ ｋ ＝ａ ｋ，

Ｐ ｛Ｘ＝ｘ， Ｙ＝ｙ ｝ ， Ｐ ｛Ｙ＝ｙ ｝

如果 Ｙ 是离散型随机变量， 则 （ １． ７ ）式为 Ｅ Ｘ＝ （Ｘ ｜Ｙ＝ｙ ）Ｐ ｛Ｙ＝ｙ ｝． ∑Ｅ

如果 Ｙ 是连续型随机变量， 具有概率密度 ｆ （ ｙ ）， 则（ １． ７ ）式为 Ｅ Ｘ＝

证 我们仅对 Ｘ 与 Ｙ 都是离散型随机变量证明（ １． ９ ）式． ＝ ＝ ＝ （Ｘ ｜Ｙ＝ｙ ）Ｐ ｛Ｙ＝ｙ ｝ ∑Ｅ

Ｐ ｛Ｘ＝ ｘ ｜Ｙ＝ｙ ｝Ｐ ｛Ｙ＝ｙ ｝ ∑ ∑ｘ

Ｐ ｛Ｘ＝ ｘ， Ｙ＝ｙ ｝＝ ∑ｘ ∑Ｐ ｛Ｘ＝ｘ， Ｙ＝ｙ ｝ ∑ ∑ｘ

特别， 若Ｂ ｋ＝１ ， ２ ， …， ｎ 为互不 相容的事 件 ， ， 定 义离散 型随 ｋ， ∪Ｂ ｋ＝Ω

机变量 Ｙ （ ｅ ）＝ｋ， 若ｅ ∈Ｂ ｋ ＝１， ２ ， …， ｎ， ｋ， 则得到（ １． ８ ）式的离散形式

当 ｎ＋ ｍ＝１时， Ｐ 结论为真． 假设 ｎ＋ ｍ＝ｋ时（ １ ． １ １ ） 式成 立， 则当 ｎ＋ １， ０ ＝１，

Ｐ （Ｅ ｜珨 Ｍ ）＝ Ｐ ｎ－１ ＋ 于是， 从（ １． １ １ ）式得 Ｐ ｎ＝ 或等价地

ｎ－１ １ Ｐ ＋ Ｐ ． ｎ ｎ－１ ｎ ｎ－２

其中 Ｐ ｎ－ ｋ 是其余 ｎ－ ｋ个人从他们自 己的 那些帽 子中 选取 但全不 匹配 的概率 ． 因 ｋ个人的选择法有 Ｃ 所有恰有 ｋ个匹配的概率是 ｎ 种， Ｃ ｎ

（ ｎ－ｋ ）！ １ １ １ （－１ ）ｎ－ ｋ Ｐ － ＋…＋ ． ｎ－ ｋ ＝ ｎ！ ｋ！２！ ３！ （ｎ－ｋ ） ！

第 二章 随机过 程的概 念与基 本类型

§ ２． ２ 随 机过程的 分布律 和数字 特征

这些分布函数的全体 Ｆ＝ ｛Ｆ ｘ ｘ …， ｘ ）， ｔ ｔ …， ｔ ， ｎ≥１ ｝ ｔ ， … ， ｔ （ １， ２， ｎ １， ２， ｎ∈Ｔ

第 二章 随机过 程的概 念与基 本类型

Ｅ ［ （Ｘ （ ｓ ）－ ｍＸ（ ｓ ） ） （Ｘ （ ｔ ）－ ｍＸ（ ｔ ） ） ］， ｓ ， ｔ ∈ Ｔ 为 ＸＴ 的 协方差函数 ． 称 ＤＸ（ ｔ ）＝Ｂ ｔ ， ｔ ）＝ Ｅ ［Ｘ （ ｔ ）－ ｍＸ（ ｔ ） ］， ｔ ∈Ｔ Ｘ（

§ ２． ２ 随 机过程的 分布律 和数字 特征

故随机过程｛Ｘ ｔ ＞０ ｝的一、 二维概率密度分别为 ｔ， ｆ （ ｘ ） ＝ ｔ

１ ｆ （ ｘ ｘ ・ ｓ， ｔ １， ２）＝ ２ ２ ２ ２ π （ １＋ｓ） （ １＋ｔ ） １ －ρ ｅ ｘ ｐ

第 二章 随机过 程的概 念与基 本类型

令 ｖ＝ｔ ＋ｘ ， 利用 ｇ （ ｔ ）和 ｇ ｔ ）的周期性， 我们有 １ ２（ ＲＸＹ（ ｔ ， ｔ ＋τ ）＝ ＝ １ Ｌ １ Ｌ

独立的， 且服从 Ｎ （ ０， σ ）的随机变量， ｗ ｗ …， ｗ 求｛Ｚ ｔ ≥０ ｝的均 ｋ １， ２， ｎ 是常数， ｔ， 值函数 ｍ （ ｔ ）和相关函数 Ｒ （ ｓ ， ｔ ）．

第 二章 随机过 程的概 念与基 本类型

两个复随机过程｛Ｘ ｝， ｛Ｙ ｝的互相关函数定义为 ｔ ｔ Ｒ ｓ ， ｔ ）＝ Ｅ （Ｘ 珡 Ｙ ）． ＸＹ（ ｓ ｔ 互协方差函数定义为 ＢＸＹ（ ｓ ， ｔ ）＝ Ｅ ［Ｘ ｓ ） ］ ［Ｙ ｔ ） ］ ． ｓ－ ｍ Ｘ（ ｔ － ｍＹ（

§ ２． ４ 几 种重要的 随机过 程

第 二章 随机过 程的概 念与基 本类型

研究生教学用书

本书如有缺页、倒页、脱页等质量问题，请到所购图书销售部门联系调换。

由于事件是集合，故集合的运算（并、交、差、上极限、下极限、极限等）都适用

则称Ｆ为 σ代数（事件域）．（Ω，Ｆ）称为可测空间，Ｆ中的元素称为事件．由定义易知：（４） ∈Ｆ；

（５）若Ａ，Ｂ∈Ｆ，则Ａ＼Ｂ∈Ｆ；（６）若Ａｉ＝１，２， …则ｉ ∈Ｆ，

定义１．３　设（Ω，Ｆ，Ｐ）是概率空间，Ｇ＜Ｆ，如果对任意ＡＡ …，Ａｎ ∈Ｇ，１，２，ｎ＝１，２， …有

§ １．２　随机变量及其分布

，ａｂ …，ｂａｂ …，ｂ）＋… ｉ，ｉ＋１，ｊ－１，ｊ，ｊ＋１，ｎ

＋（－１）Ｆ（ａａ …，ａ）≥０；１，２，ｎ（４）ｌｉｍＦ（ｘｘ …，ｘ …，ｘ）＝０，ｉ＝１，２， …，ｎ，１，２，ｉ，ｎ

Ｆ（ｘ）＝Ｐ（Ｘ≤－１）＋Ｐ（－１＜Ｘ≤ ｘ）＝１５ｘ＋５５ｘ＋７＋＝．８１６１６０，Ｆ（ｘ）＝ｘ＜－１，

若随机向量Ｘ＝（ＸＸ …，Ｘｉ＝１，２， …，ｎ都是离散１，２，ｎ）的每个分量Ｘｉ，

§ １．３　随机变量的数字特征

若存在定义在Ｒ上的非负函数ｆ（ｘｘ …，ｘ），对于任意（ｙｙ …，ｙ）１，２，ｎ１，２，ｎ ∈Ｒｎ，随机向量Ｘ＝（ＸＸ …，Ｘｎ）的联合分布函数１，２，Ｆ（ｙｙ …，ｙ）＝１，２，ｎ

则称｛Ｘｔ ∈Ｔ｝是独立的．ｔ，如果｛Ｘｔ ∈Ｔ｝是一族独立的离散型随机变量，（１．１）式等价于ｔ，

如果｛Ｘｔ ∈Ｔ｝是一族独立的连续型随机变量，（１．１）式等价于ｔ，

其中ｆｘｘ …，ｘ）是随机向量（ＸＸ …，Ｘｔ，… ，ｔ（１，２，ｎｔ，ｔ，ｔ）的联合概率密度，ｆｘ）是随机变量Ｘｉ＝１，２， …，ｎ．ｔ（ｉｔ的概率密度，

独立性是概率中的重要概念．在实际问题中，独立性的判断通常是根据经验或具体情况来决定的．

为Ｘ的数学期望或均值．上式右边的积分称为Ｌｅｂｅｓｇｕｅ－Ｓｔｉｅｌｔｊｅｓ积分．若Ｘ是离散型随机变量，分布列ｐ（Ｘ＝ｘ），　ｋ＝１，２， …，ｋ＝Ｐｋ则

§ １．４　特征函数、母函数和拉氏变换

随机变量的特征函数具有下列性质：（１）ｇ（０）＝１，｜ｇ（ｔ）｜≤１，ｇ（－ｔ）＝ｇ（ｔ）．（２）ｇ（ｔ）在（－∞， ∞）上一致连续．

且当ｋ ≤ ｎ时，有ｇ（０）＝ｉＥＸ．（４）ｇ（ｔ）是非负定函数．即对任意正整数ｎ及任意实数ｔｔ …，ｔ１，２，ｎ和复数ｚｚ …，ｚ有１，２，ｎ，

对于ｎ维随机变量也可以定义特征函数．定义１．１１　设Ｘ＝（ＸＸ …，Ｘｎ）是ｎ维随机变量，ｔ＝（ｔｔ …，ｔ）∈ １，２，１，２，ｎＲ，则称

ｎ维随机变量的特征函数具有类似于一维随机变量的特征函数的性质．例１．２　设Ｘ服从Ｂ（ｎ，ｐ），求Ｘ的特征函数ｇ（ｔ）及ＥＸ、ＥＸ、ＤＸ．解　Ｘ的分布列为

ｉｔｋｋｋｎ－ｋｋｉｔｋｎ－ｋｇ（ｔ）＝ ∑ ｅＣ＝∑Ｃｐｅ）ｑｎｐｑｎ（ｋ＝０ｋ＝０

＝（ｐｅ＋ｑ）．由性质知ｄｉｔｎＥＸ＝－ｉｇ ′ （０）＝－ｉ（ｐｅ＋ｑ）ｄｔＥＸ＝（－ｉ）ｇ ″ （０）＝（－ｉ）故

§ １．４　特征函数、母函数和拉氏变换

例１．３　设Ｘ～Ｎ（０，１），求Ｘ的特征函数ｇ（ｔ）．解　由于｜ｉｘｅ

ｄｘ＜∞，故可对（１．２）式右

由于ｇ（０）＝１，所以ｃ＝０，于是Ｘ的特征函数为ｇ（ｔ）＝ｅ实数，证明Ｙ的特征函数ｇｔ）为Ｙ（

例１．４　设随机变量Ｘ的特征函数为ｇ（ｔ），Ｙ＝ａＸ＋ｂ，其中ａ，ｂ为任意Ｘ

例１．５　设随机变量Ｙ～Ｎ（ａ， σ），求Ｙ的特征函数ｇｔ）．Ｙ（

§ １．４　特征函数、母函数和拉氏变换

ｋ－ｎｋ（ｋ－１）…（ｋ－ｎ＋１）ｐｓ．ｋ

ＥＸ＝同理可证（１．４）式．（３）显然．

ｋ＝∑ Ｐ（Ｎ＝ｌ）∑ Ｐ（Ｙ＝ｋ）ｓｌ＝０ ∞ ｋ＝０ ∞ ｌ

为了应用的方便，我们不加证明地给出如下常用的几个结论．性质１　若Ｘ～Ｎ（ａ，Ｂ），则ＥＸＢＸｋ＝ａｋ，

Ｐ｛Ｘ＝ｘ，Ｙ＝ｙ｝，Ｐ｛Ｙ＝ｙ｝

如果Ｙ是离散型随机变量，则（１．７）式为ＥＸ＝（Ｘ｜Ｙ＝ｙ）Ｐ｛Ｙ＝ｙ｝． ∑Ｅ

如果Ｙ是连续型随机变量，具有概率密度ｆ（ｙ），则（１．７）式为ＥＸ＝

证　我们仅对Ｘ与Ｙ都是离散型随机变量证明（１．９）式．　＝＝＝（Ｘ｜Ｙ＝ｙ）Ｐ｛Ｙ＝ｙ｝ ∑Ｅ

Ｐ｛Ｘ＝ｘ｜Ｙ＝ｙ｝Ｐ｛Ｙ＝ｙ｝ ∑ ∑ｘ

Ｐ｛Ｘ＝ｘ，Ｙ＝ｙ｝＝ ∑ｘ ∑Ｐ｛Ｘ＝ｘ，Ｙ＝ｙ｝ ∑ ∑ｘ

特别，若Ｂｋ＝１，２， …，ｎ为互不相容的事件，，定义离散型随ｋ， ∪Ｂｋ＝Ω

机变量Ｙ（ｅ）＝ｋ，若ｅ ∈Ｂｋ＝１，２， …，ｎ，ｋ，则得到（１．８）式的离散形式

当ｎ＋ｍ＝１时，Ｐ结论为真．假设ｎ＋ｍ＝ｋ时（１．１１）式成立，则当ｎ＋１，０＝１，

Ｐ（Ｅ｜珨Ｍ）＝Ｐｎ－１＋于是，从（１．１１）式得Ｐｎ＝或等价地

ｎ－１１Ｐ＋Ｐ．ｎｎ－１ｎｎ－２

其中Ｐｎ－ｋ是其余ｎ－ｋ个人从他们自己的那些帽子中选取但全不匹配的概率．因ｋ个人的选择法有Ｃ所有恰有ｋ个匹配的概率是ｎ种，Ｃｎ

（ｎ－ｋ）！１１１（－１）ｎ－ｋＰ－＋…＋．ｎ－ｋ＝ｎ！ｋ！２！３！（ｎ－ｋ）！

第二章　随机过程的概念与基本类型

§ ２．２　随机过程的分布律和数字特征

这些分布函数的全体Ｆ＝｛Ｆｘｘ …，ｘ），ｔｔ …，ｔ，ｎ≥１｝ｔ， … ，ｔ（１，２，ｎ１，２，ｎ∈Ｔ

第二章　随机过程的概念与基本类型

Ｅ［（Ｘ（ｓ）－ｍＸ（ｓ））（Ｘ（ｔ）－ｍＸ（ｔ））］，ｓ，ｔ ∈ Ｔ为ＸＴ的协方差函数．称ＤＸ（ｔ）＝Ｂｔ，ｔ）＝Ｅ［Ｘ（ｔ）－ｍＸ（ｔ）］，　ｔ ∈ＴＸ（

§ ２．２　随机过程的分布律和数字特征

故随机过程｛Ｘｔ＞０｝的一、二维概率密度分别为ｔ，ｆ（ｘ）＝ｔ

１　　　ｆ（ｘｘ・ｓ，ｔ１，２）＝２２２２ π （１＋ｓ）（１＋ｔ）１－ρ 　ｅｘｐ

第二章　随机过程的概念与基本类型

令ｖ＝ｔ＋ｘ，利用ｇ（ｔ）和ｇｔ）的周期性，我们有１２（ＲＸＹ（ｔ，ｔ＋τ ）＝＝１Ｌ１Ｌ

独立的，且服从Ｎ（０， σ ）的随机变量，ｗｗ …，ｗ求｛Ｚｔ ≥０｝的均ｋ１，２，ｎ是常数，ｔ，值函数ｍ（ｔ）和相关函数Ｒ（ｓ，ｔ）．

第二章　随机过程的概念与基本类型

两个复随机过程｛Ｘ｝，｛Ｙ｝的互相关函数定义为ｔｔＲｓ，ｔ）＝Ｅ（Ｘ珡Ｙ）．ＸＹ（ｓｔ互协方差函数定义为ＢＸＹ（ｓ，ｔ）＝Ｅ［Ｘｓ）］［Ｙｔ）］．ｓ－ｍＸ（ｔ－ｍＹ（

§ ２．４　几种重要的随机过程

第二章　随机过程的概念与基本类型

§ ２．４　几种重要的随机过程

第二章　随机过程的概念与基本类型

因此ＲＹ（ τ ）＝Ｒｔ＋τ，ｔ）＝Ｙ（与ｔ无关．

故由（１），（２），（３）知｛Ｙ（ｔ），－∞＜ｔ＜∞｝是平稳随机过程．

试求：（１）Ｘ（ｔ）的一维分布函数Ｆ（１／２；ｘ），Ｆ（１；ｘ）；（２）Ｘ（ｔ）的二维分布函数Ｆ（１／２，１；ｘｘ）；１，２

２．４　设有随机过程Ｘ（ｔ）＝Ａｃｏｓ（ ω ｔ）＋Ｂｓｉｎ（ω ｔ），其中 ω为常数，Ａ，Ｂ是相互独立且

２．５　已知随机过程Ｘ（ｔ）的均值函数ｍＸ（ｔ）和协方差函数Ｂｔｔ）， φ （ｔ）为普通函Ｘ（１，２

习　题　二数，令Ｙ（ｔ）＝Ｘ（ｔ）＋φ （ｔ），求随机过程Ｙ（ｔ）的均值和协方差函数．

２．６　设随机过程Ｘ（ｔ）＝Ａｓｉｎ（ ω ｔ＋Θ ），其中Ａ， ω为常数， Θ 是在（－π ， π ）上的均匀分

值为零，方差为１，求随机过程Ｘ（ｔ）的协方差函数．２．８　设Ｘ（ｔ）为实随机过程，ｘ为任意实数，令Ｙ（ｔ）＝１，Ｘ（ｔ）≤ ｘ，０，Ｘ（ｔ）＞ｘ，

２２．１０　设随机过程Ｘ（ｔ）的协方差函数为ＢＸ（ｔｔ方差函数为 σ （ｔ），试证１，２），Ｘ

（１）｜Ｂ（ｔｔ）｜≤σ （ｔ σ （ｔ）；Ｘ１，２Ｘ１）Ｘ２（２）｜Ｂ（ｔｔ）｜≤ Ｘ１，２１２２［ σ（ｔ）＋σ ｔ）］．Ｘ（２２Ｘ１

２．１１　设随机过程Ｘ（ｔ）和Ｙ（ｔ）的互协方差函数为Ｂｔｔ），试证ＸＹ（１，２｜ＢＸＹ（ｔｔ）｜≤σ ｔ）σ ｔ）．１，２Ｘ（１Ｙ（２

其中Ｘ（ｊ＝１，２， …，ｎ）是相互独立的随机变量，且 ∑ Ｘ，

－∞＜ｔ＜ ∞， α ＞０为常数．证明｛Ｘ（ｔ），－∞＜ｔ＜∞｝是平稳正态过程，相关函数ＲＸ（ τ ）＝

２．１７　设｛Ｘ（ｔ），ｔ ≥０｝是维纳过程，Ｘ（０）＝０，试求它的有限维概率密度函数族．