{
  "id": "stationary-process",
  "title": "平稳过程",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "平稳过程是概率分布或指定统计矩不随时间指标平移而改变的随机过程。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "平稳随机过程"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/stationary-process/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/stationary-process/",
      "json": "https://aiwiki.page/en/stationary-process.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "平稳过程是指时间指标平移后，统计描述保持不变的随机过程。平稳性关注的是支配观测值的概率规律，而不是单条样本路径是否保持恒定。平稳性主要有两种定义：严格平稳性要求所有有限维分布在时间平移下保持不变；弱平稳性要求一阶矩和二阶矩在时间平移下保持不变。这一区别在时间序列分析和信号处理中十分重要，因为这些领域借助共同的统计结构来解释不同时刻的观测值。(sia.mit.edu)"
    },
    {
      "heading": "严格平稳性",
      "text": "设 \\(X=\\{X_t:t\\in T\\}\\) 是定义在同一概率空间上的一族随机变量，其指标集通常为 \\(T=\\mathbb Z\\) 或 \\(T=\\mathbb R\\)。如果对于任意正整数 \\(n\\)、任意选取的时刻 \\(t_1,\\ldots,t_n\\)，以及任意允许的平移量 \\(h\\)，都有\n\n\\[(X_{t_1},\\ldots,X_{t_n}) \\overset{d}{=} (X_{t_1+h},\\ldots,X_{t_n+h}),\\]\n\n则该过程是严格平稳的。\n\n这里，\\(\\overset{d}{=}\\) 表示联合概率分布相同。如果指标集受到限制，平移前后的两组时刻都必须属于该指标集。(sia.mit.edu)\n\n取 \\(n=1\\) 可知，各个观测值具有相同的边缘概率分布。但仅有边缘分布相同还不够：观测值之间的关系也必须在时间平移下保持不变。严格平稳性并不要求均值或有限方差存在；它是分布层面的性质，而不是关于矩的条件。(bookdown.org)"
    },
    {
      "heading": "弱平稳性",
      "text": "如果一个实值过程具有有限二阶矩，并且满足\n\n\\[\\mathbb E[X_t]=\\mu,\\qquad \\operatorname{Cov}(X_{t+h},X_t)=\\gamma(h),\\]\n\n则称该过程是弱平稳的，也称广义平稳的或协方差平稳的。\n\n因此，它的期望值为常数，协方差仅取决于滞后 \\(h\\)，而不取决于绝对时刻。由 \\(\\operatorname{Var}(X_t)=\\gamma(0)\\) 可知，它的方差也为常数。当 \\(\\gamma(0)>0\\) 时，自相关函数为\n\n\\[\\rho(h)=\\frac{\\gamma(h)}{\\gamma(0)}.\\]\n\n该函数描述了各个时间间隔下的相关关系。(online.stat.psu.edu)\n\n当有限二阶矩存在时，严格平稳性蕴含弱平稳性。反之通常不成立，因为一阶矩和二阶矩并不能确定任意分布。但对于高斯过程，这两种定义是等价的：每个有限维的多元正态分布都由其均值向量和协方差矩阵确定。仅有各个边缘分布为正态分布，并不足以说明该过程是高斯过程。(sia.mit.edu)"
    },
    {
      "heading": "例子与反例",
      "text": "独立同分布序列是严格平稳的；如果其方差有限，它也是弱平稳的。这类序列说明，统计独立性与平稳性可以同时成立，但平稳性并不要求不同时刻的观测值相互独立。(stat153.berkeley.edu)\n\n具有相依性的一个典型例子是因果一阶自回归模型：\n\n\\[X_t=c+\\phi X_{t-1}+\\varepsilon_t,\\]\n\n其中，新息项独立同分布，均值为零，方差为 \\(\\sigma^2\\)。当 \\(|\\phi|<1\\) 时，其平稳因果解满足\n\n\\[\\mu=\\frac{c}{1-\\phi},\\qquad \\gamma(h)=\\frac{\\sigma^2}{1-\\phi^2}\\phi^{|h|}.\\]\n\n这些公式描述的是平稳解，并不适用于任意初始条件：从某个固定值出发通常会产生一段暂态期。(online.stat.psu.edu)\n\n相比之下，从零出发、增量相互独立且均值为零、方差为正数 \\(\\sigma^2\\) 的随机游走，在整数时刻 \\(t\\) 的方差为 \\(t\\sigma^2\\)，因此不是弱平稳的。标准布朗运动的方差同样为 \\(t\\)。这两个例子说明，过程本身的平稳性与平稳增量不同：即使过程取值的分布随时间改变，增量的分布仍可能只取决于时间区间的长度。(sia.mit.edu)"
    },
    {
      "heading": "平稳性与遍历性",
      "text": "遍历性关注的是：沿单条足够长的样本路径计算的平均值，能否再现总体平均值。对于可积、严格平稳且具有遍历性的序列，遍历定理给出\n\n\\[\\frac1n\\sum_{t=1}^{n}X_t \\longrightarrow \\mathbb E[X_0] \\quad\\text{几乎必然成立}.\\]\n\n这将大数定律所体现的平均值解释推广到了独立观测之外的情形。(ocw.mit.edu)\n\n仅有平稳性并不能保证上述平均值收敛到总体均值。设每个时刻都有 \\(X_t=Z\\)，其中 \\(Z\\) 是一个非退化的可积随机变量。该过程严格平稳，但其样本均值始终等于 \\(Z\\)，而一般不会趋近于 \\(\\mathbb E[Z]\\)。时间齐次的马尔可夫链提供了另一个需要区分的情形：以平稳分布作为初始分布，会使所得过程严格平稳；而任意初始分布则未必如此。(mit.edu)"
    },
    {
      "heading": "谱描述",
      "text": "弱平稳性使得时间上的相依关系可以在频域中描述。如果离散时间自协方差序列绝对可和，那么以每次观测对应的周期数为频率 \\(\\nu\\) 的单位，其谱密度可写为\n\n\\[f(\\nu)=\\sum_{h=-\\infty}^{\\infty} \\gamma(h)e^{-2\\pi i\\nu h}, \\qquad -\\tfrac12\\leq\\nu\\leq\\tfrac12.\\]\n\n逆关系为\n\n\\[\\gamma(h)=\\int_{-1/2}^{1/2} e^{2\\pi i\\nu h}f(\\nu)\\,d\\nu.\\]\n\n因此，自协方差与谱密度构成一对傅里叶变换。对谱密度积分可得到方差。更一般地，平稳协方差序列具有谱测度，但该测度未必具有密度。(online.stat.psu.edu)"
    },
    {
      "heading": "在统计建模中的应用",
      "text": "在统计学中，平稳性使得不同时刻的观测值可以共同用于推断均值、依赖滞后的协方差等统计量。相依性仍会影响估计，而可靠的时间平均还需要额外假设。趋势、随时间变化的方差，以及随时间变化的相依结构，都违背弱平稳性。差分可以消除某些形式的非平稳性，例如将随机游走转化为其增量序列，但并不能保证总是得到平稳过程。(stat153.berkeley.edu)"
    }
  ],
  "links": [
    "stochastic-process",
    "time-series",
    "signal-processing",
    "probability-space",
    "random-variable",
    "joint-probability-distribution",
    "probability-distribution",
    "expected-value",
    "covariance",
    "variance",
    "autocorrelation-function",
    "correlation",
    "gaussian-process",
    "multivariate-normal-distribution",
    "covariance-matrix",
    "statistical-independence",
    "autoregressive-model",
    "random-walk",
    "brownian-motion",
    "ergodicity",
    "law-of-large-numbers",
    "sample-mean",
    "markov-chain",
    "stationary-distribution",
    "spectral-density",
    "fourier-transform",
    "statistics"
  ],
  "sources": [
    {
      "title": "sia.mit.edu/wp-content/uploads/2015/04/chapter4.pdf",
      "url": "https://sia.mit.edu/wp-content/uploads/2015/04/chapter4.pdf"
    },
    {
      "title": "bookdown.org/kevin_davisross/stat350-handouts/stationary.html",
      "url": "https://bookdown.org/kevin_davisross/stat350-handouts/stationary.html"
    },
    {
      "title": "online.stat.psu.edu/stat510/Lesson01",
      "url": "https://online.stat.psu.edu/stat510/Lesson01"
    },
    {
      "title": "stat153.berkeley.edu/spring-2026/dependence-notes-1/",
      "url": "https://stat153.berkeley.edu/spring-2026/dependence-notes-1/"
    },
    {
      "title": "ocw.mit.edu/courses/6-441-information-theory-spring-2016/5d8f16adc3385c9ff2975b…",
      "url": "https://ocw.mit.edu/courses/6-441-information-theory-spring-2016/5d8f16adc3385c9ff2975b121bd620e4_MIT6_441S16_course_notes.pdf"
    },
    {
      "title": "mit.edu/people/hmsallum/GradSchool/sc505notes.pdf",
      "url": "https://www.mit.edu/people/hmsallum/GradSchool/sc505notes.pdf"
    },
    {
      "title": "online.stat.psu.edu/stat510/Lesson12",
      "url": "https://online.stat.psu.edu/stat510/Lesson12"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}