2. 随机过程基础

在噪声源与随机激励工程中，我们面对的电压、电流或力信号往往不是确定性的正弦波，而是随时间无规则起伏的随机信号。要定量描述这类信号，必须建立一套从“单次取值”到“整体统计”再到“频域能量分布”的完整数学语言。本章围绕随机变量、概率分布、均值、方差、相关函数与功率谱密度六个核心概念，梳理它们之间的逻辑链条，为后续噪声建模、测量与仿真打下基础。

一、核心原理：随机信号的统计描述体系

随机过程可以理解为“一族随机变量”，即在每个固定时刻 t，信号 X(t) 都是一个随机变量。因此，描述随机过程的第一步是描述随机变量本身：它可能取哪些值、取各值的可能性有多大。概率分布函数 F(x)=P(X≤x) 给出累积概率，概率密度函数 p(x) 则描述取值在 x 附近的密集程度。对于离散取值，则用概率质量函数 P(X=xk) 表示。

仅有分布还不够，工程上更常用少数几个“数字特征”来概括信号。均值 μX=E[X] 表示直流分量或平均电平；方差 σX2=E[(X−μX)2] 表示围绕均值的起伏强度，其平方根即标准差，常被当作噪声的有效值。对于零均值噪声，方差直接等于功率。

当信号随时间变化时，不同时刻的取值之间可能存在关联。自相关函数 RX(τ)=E[X(t)X(t+τ)] 正是衡量这种“时间相关性”的工具：τ 很小时相关性强，τ 增大后相关性通常衰减。若 RX(τ) 只与时间差 τ 有关，而与绝对时刻 t 无关，则称该过程为宽平稳过程，这是工程分析中最常用的假设。

二、方法流程：从采样数据到功率谱估计

工程中我们通常拿到的是有限长度的离散采样序列 x[n]，需要按以下流程估计其统计特性：

1. 去均值：计算样本均值并减去，得到零均值序列，避免直流分量污染方差与谱估计。
2. 估计方差：用样本方差 σ̂² = (1/(N−1))Σ(x[n]−x̄)² 衡量起伏功率。
3. 估计自相关：对零均值序列做有偏或无偏自相关估计，观察相关性随延迟的衰减速度。
4. 估计功率谱：可用周期图法 |FFT(x)|²/N，或先求自相关再做 FFT；实际中常加窗并分段平均以降低方差。

# 以 Python/NumPy 为例的统计量估计流程
import numpy as np
x = x - np.mean(x)                 # 去均值
var_est = np.var(x, ddof=1)        # 样本方差
R = np.correlate(x, x, 'full') / len(x)   # 自相关估计
S = np.abs(np.fft.rfft(x))**2 / len(x)    # 周期图功率谱
f = np.fft.rfftfreq(len(x), d=1/fs)       # 频率轴

三、案例场景：电阻热噪声的统计描述

一个 R=1 kΩ 的电阻在 T=300 K 下产生热噪声，其开路电压噪声功率谱密度近似为 SV=4kTR，在室温下约为 1.66×10−17 V²/Hz。若测量带宽为 B=10 kHz，则总噪声功率 Pn=SV·B≈1.66×10−13 V²，对应有效值约 0.41 μV。这里 SV 是常数，说明热噪声在常用频段内可视为白噪声；其自相关函数是一个冲激函数，意味着不同时刻的噪声取值几乎不相关。这个例子把“功率谱密度—带宽—有效值”三者直接联系起来，是噪声工程中最基本的估算方式。

四、误区与复盘