01 随机过程的语言：把随机变化写成一条时间线

一台设备每小时可能正常、降速或停机；一个账户每天可能增加、减少或保持余额；一个粒子每隔一秒向左或向右走一步。单独看某个时刻，这些都只是随机变量。可一旦把时刻排成顺序，问题就变了：今天的状态会不会影响明天？相隔很远的两个时刻还相关吗？我们观察到的这一条记录，和模型允许出现的其他记录有什么关系？

随机过程就是处理这条“随机时间线”的语言。本章先不急着套马尔可夫性质，而是把对象、索引、状态、样本路径和联合分布分开。后面谈离散时间链时，矩阵里的每一个元素都要回到这里的定义；如果这一步含糊，矩阵乘法很容易变成没有解释的算术。

一条过程包含哪些对象

设

(\Omega,\mathcal F,\mathbb P)

是概率空间， $T$ 是索引集， $S$ 是状态空间。状态空间还配有一族可测集合（ $\sigma$ 代数） $\mathcal S$ ：有限或可数状态时取所有子集，实数状态时通常取 Borel 集。这样，询问“状态是否落在 $A$ 中”就有明确的事件含义。一个随机过程写作

\{X_t:t\in T\},

其中对每个固定的 $t$ ， $X_t$ 是从 $\Omega$ 到 $S$ 的可测映射，即 $A\in\mathcal S$ 时， $\{\omega:X_t(\omega)\in A\}\in\mathcal F$ ；我们仍称它为随机变量。换句话说，随机结果 $\omega$ 一旦确定，所有时刻的取值就同时确定了：

t\longmapsto X_t(\omega).

这条确定的函数称为一条样本路径。

这里有两个容易混在一起的“变量”。固定 $t$ ， $X_t$ 随随机结果变化，是随机变量；固定 $\omega$ ， $X_t(\omega)$ 随时间变化，是一条普通函数。随机过程不是“一个随机变量加上一个时间标签”，而是一族彼此可能相关的随机变量。

四个等可能结果按行组成路径，固定时间按列读取随机变量

把一个很小的模型摆在图里会更清楚：四个样本结果等可能，每行记录一条路径。沿着某一行向右读，你没有换样本结果；固定标作 $n=2$ 的那一列向下读，才是在比较 $X_2$ 的不同可能取值。图中 $X_2$ 取 0、1 各占两行，所以各有 $1/2$ 的概率。若四行并非等可能，就必须按各行的概率加权，不能直接数行数。

索引集决定“什么时候观察”

常见索引集有两类：

离散时间： $T=\{0,1,2,\ldots\}$ 或有限的整数集合。 $X_n$ 可以表示第 $n$ 次交易、第 $n$ 天或第 $n$ 步后的状态。
连续时间： $T=[0,\infty)$ 。 $X_t$ 可以表示任意时刻的设备状态、队列人数或粒子位置。

索引集不是状态空间。 $n=4$ 是时刻， $X_4=2$ 才是状态；“第四天处于状态 2”同时使用了这两个层次。状态空间也不一定是数字集，例如 $S=\{\text{正常},\text{降速},\text{停机}\}$ 。为了计算，常把这些状态编号，但编号本身没有概率意义。

左侧只在离散时刻记录状态，右侧展示一条连续时间路径的示意

图左只在选定时刻给出取值；图右画出时间连续变化的一种路径。右图中的光滑曲线只是例子：连续时间描述的是索引集，绝不保证路径连续，计数过程就可以在事件发生时跳跃。淡色线条不表示置信区间。

离散时间适合记录“每一步发生了什么”；连续时间适合记录“事件在什么时候发生”。同一个系统可以有两种建模：只看每天收盘状态是离散时间过程，记录每次故障和修复的确切时刻则可能是连续时间过程。选哪一种，要看问题需要保留的时间信息。

状态空间也决定问题的形状

状态空间可以是有限集、可数集，也可以是实数的一部分。有限状态过程适合用转移矩阵组织；实值过程常需要讨论密度、协方差函数或路径的连续性。不要因为两个过程都写成 $X_t$ ，就假定它们能用同一种工具处理。

例如，令 $Y_n$ 表示第 $n$ 天库存量， $S=\{0,1,\ldots,50\}$ 。令 $Z_n$ 表示第 $n$ 天的温度， $S=\mathbb R$ 。它们都可以是离散时间过程，但第一个适合研究“何时缺货”，第二个可能更自然地研究均值、波动和相关性。

从路径回到分布

给定 $t$ ，随机变量 $X_t$ 的分布回答“这个时刻可能在哪些状态”；而有限维分布回答“多个指定时刻的状态怎样联合出现”。对时刻 $t_1,\ldots,t_k$ ，有限维分布由所有可测集合 $A_1,\ldots,A_k$ 对应的下列概率描述

\mathbb P(X_{t_1}\in A_1,\ldots,X_{t_k}\in A_k).

离散状态时可以写成点概率

\mathbb P(X_{t_1}=x_1,\ldots,X_{t_k}=x_k).

只知道每个 $X_t$ 的边缘分布，通常不能确定过程。例如只抛一次公平硬币，记结果为 $B\in\{0,1\}$ 。模型 A 规定所有 $n$ 都有 $X_n=B$ ；模型 B 规定偶数时刻 $Y_n=B$ ，奇数时刻 $Y_n=1-B$ 。每个固定时刻，两者都以 $1/2$ 的概率取 0 或 1。可是模型 A 的路径永远不变，模型 B 的路径每步翻转，分别满足 $\mathbb P(X_1=X_0)=1$ 与 $\mathbb P(Y_1=Y_0)=0$ 。

常值路径与交替路径有相同边缘分布，却有不同联合分布

因此，研究随机系统时，边缘分布只能告诉你“某一帧长什么样”，联合分布还要告诉你“帧与帧怎样接起来”。马尔可夫性质正是在联合分布层面提出一种特殊但非常有用的限制：给定现在，过去对未来不再提供额外信息。

条件概率是连接时间的桥

对离散状态，只在给定历史事件的概率为正时，才直接使用下面的比值型条件概率：

\mathbb P(X_{n+1}=y\mid X_0=x_0,\ldots,X_n=x_n).

条件中指定了当前和历史，它描述的是已知这些信息以后的预测；数值可能高于、低于或等于无条件概率。若过程具有马尔可夫性质，这个概率将只依赖当前状态 $x_n$ ：

\mathbb P(X_{n+1}=y\mid X_0=x_0,\ldots,X_n=x_n) =\mathbb P(X_{n+1}=y\mid X_n=x_n).

这个等式要求对所有正概率的历史都成立。把当前状态告诉我们以后，额外再告诉过去，下一步的条件分布没有改变；它没有宣称未来和过去无条件独立。概率为零的历史不能直接代入概率之比，在一般状态空间中应改用几乎处处成立的条件分布表述。

还要留意时刻 $n$ ：马尔可夫性允许今天和明天采用不同的转移规则。若从 $x$ 到 $y$ 的一步条件概率另外还不依赖 $n$ ，才称为时间齐次。后面的天气模型会同时作这两项假设。

两段不同历史结束于同一状态，马尔可夫模型给出相同的一步条件分布

“马尔可夫”不是“每个时刻都独立”。例如随机游走的相邻状态通常明显相关，但给定当前位置后，下一步不需要知道更早的路径。独立性比马尔可夫性强得多；把两者混为一谈，会错误地删掉条件概率中的当前状态。

过滤：在时刻 n 能知道什么

为了把“过去”写成一个对象，定义自然过滤

\mathcal F_n=\sigma(X_0,X_1,\ldots,X_n).

它表示只观察到 $0$ 到 $n$ 时刻的全部信息。随着时间增加，信息不会减少：

\mathcal F_0\subseteq\mathcal F_1\subseteq\mathcal F_2\subseteq\cdots.

若一个量在时刻 $n$ 可以由这段历史确定，就说它对 $\mathcal F_n$ 可测。直观地说，不能用“明天才知道的硬币结果”来决定今天的下注规则。

以两次独立抛公平硬币为例，结果记作 $H$ 或 $T$ ，样本空间为 $\{HH,HT,TH,TT\}$ 。抛之前，四种结果还无法区分；第一次见到 $H$ ，能确定结果属于 $\{HH,HT\}$ ，却不能判断第二次是否为 $H$ ；第二次也看到以后，才能区分四个单独的结果。信息增加时，可区分的组变细，相应的事件集合反而增多。自然过滤记录的是整段已见历史，通常不同于只保留当前状态的 $\sigma(X_n)$ 。

两次抛硬币逐步细分样本空间，信息对应的σ代数逐步增加

若未来的实值量 $Y$ 满足 $\mathbb E|Y|<\infty$ ， $\mathbb E[Y\mid\mathcal F_n]$ 表示已知历史后的条件均值。在有限模型里，做法就是把与眼前历史相容的结果收在一起，用条件概率加权求平均。例如看到第一次为 $H$ 后，第二次为 $H$ 的指标变量仍以各 $1/2$ 的概率取 0 和 1，条件均值是 $1/2$ ；两次都看到以后，这个指标本身已知，条件均值就是已见到的 0 或 1。

马尔可夫性也可以通过这些条件均值表达。对每个有界可测函数 $g:S\to\mathbb R$ ，有

\mathbb E[g(X_{n+1})\mid\mathcal F_n] =\mathbb E[g(X_{n+1})\mid X_n] \quad\text{几乎处处}.

取 $g(x)=\mathbf 1_{\{x\in A\}}$ ，条件均值就变成下一步落入 $A$ 的条件概率。对有限状态，这个等式也能直接验证：把每个下一步状态 $y$ 的 $g(y)$ 乘上条件概率，再求和；马尔可夫性让和式中的概率只通过 $X_n$ 依赖历史。若用不受限的 $g$ ，还需检查 $\mathbb E|g(X_{n+1})|<\infty$ ，不能对任意函数不加条件地取期望。

一个完整的小模型：带记忆的天气记录

设 $X_n\in\{S,R\}$ 表示第 $n$ 天的天气， $S$ 为晴， $R$ 为雨。初始日明确记作第 0 天， $\mathbb P(X_0=S)=0.6$ 。假设天气满足时间齐次的马尔可夫模型：今天晴时，明天晴的概率是 $0.8$ ；今天雨时，明天晴的概率是 $0.4$ 。另外两个去向由概率和为 1 得到，分别是晴后雨 $0.2$ 、雨后雨 $0.6$ 。

要算“第 1 天雨且第 2 天晴”，得先知道第 1 天的分布。第 1 天的雨可能来自初始的晴，也可能来自初始的雨。这两个事件互斥，合起来覆盖全部初始状态，所以

\begin{aligned} \mathbb P(X_1=R)&=0.6\times0.2+0.4\times0.6=0.36,\\ \mathbb P(X_1=S)&=0.6\times0.8+0.4\times0.4=0.64. \end{aligned}

两数相加为 1，第一步分布没有遗漏去向。现在才使用相邻两天的条件概率：

\begin{aligned} \mathbb P(X_1=R,X_2=S) &=\mathbb P(X_1=R)\mathbb P(X_2=S\mid X_1=R)\\ &=0.36\times0.4=0.144. \end{aligned}

它小于 $0.36$ ，因为在第 1 天下雨之外又加上了一个要求。若有人得到 $0.4\times0.4=0.16$ ，就把初始第 0 天的雨概率，误当成了第 1 天的雨概率。

“第 2 天晴”允许第 1 天是晴或雨，需要把两个互斥的联合事件相加：

\begin{aligned} \mathbb P(X_2=S) &=\mathbb P(X_1=S,X_2=S)+\mathbb P(X_1=R,X_2=S)\\ &=0.64\times0.8+0.36\times0.4\\ &=0.512+0.144=0.656. \end{aligned}

单条完整路径又是另一回事。例如初始就雨、随后仍雨、再转晴这条 $R\to R\to S$ 路径，概率为 $0.4\times0.6\times0.4=0.096$ 。它只是上面 $0.144$ 的一部分，另一部分是 $S\to R\to S$ 的 $0.048$ 。沿路径相乘，合并互斥路径时相加，是下一章矩阵递推的出发点。

第1天两种天气分布向第2天分支，四条联合事件概率相加为1

把一般参数记为 $q=\mathbb P(X_0=S)$ 、 $a=\mathbb P(S\mid S)$ 、 $b=\mathbb P(S\mid R)$ ，那么

q_1=qa+(1-q)b,\qquad q_2=q_1a+(1-q_1)b.

下方实验同时显示完整路径与合并后的边缘概率。保留 $q=0.6,b=0.4$ ，只提高 $a$ ，观察 $q_2$ 和事件 $\{X_1=R,X_2=S\}$ 是否朝同一方向改变。不要急着用“晴更容易持续”代替计算：后一事件必须先经过雨，第 1 天雨的概率会随 $a$ 减少，因此其概率 $b(1-q_1)$ 反而下降。

恢复默认值，选择 $R\to R\to S$ ，应读到 $0.096$ 。改为筛选所有“第 2 天晴”的路径，看加总如何得到 $0.656$ ；切换到“第 1 天雨且第 2 天晴”，剩下的两条路径则加总为 $0.144$ 。有限次模拟的频率可能偏离这些数，精确概率来自模型的加法与乘法规则。

期望、协方差与时间结构

以下只讨论实值过程，并假设每个时刻都有 $\mathbb E[X_t^2]<\infty$ 。有限二阶矩保证均值与协方差有定义。均值函数和协方差函数分别记录单时刻水平与跨时刻联动：

m(t)=\mathbb E[X_t],\qquad C(s,t)=\operatorname{Cov}(X_s,X_t).

对实值过程， $C(s,t)=\mathbb E[(X_s-m(s))(X_t-m(t))]$ 。协方差为正，表示一个时刻偏高时另一个时刻倾向偏高；为负则倾向相反。协方差为零只表示线性关系消失，一般不等于独立。

若均值不随时间改变，并且协方差只依赖滞后 $h$ ，即

m(t)=\mu,\qquad C(s,t)=\gamma(t-s),

连同有限二阶矩，这些条件定义了弱平稳过程。对离散时间，常写成 $\gamma(h)=\operatorname{Cov}(X_n,X_{n+h})$ 。等式只在涉及的时刻都属于索引集时要求成立；在 $\mathbb N_0$ 上使用负滞后时也要留意这一点。特别地，令 $s=t$ 可知方差 $C(t,t)=\gamma(0)$ 必须恒定。

这让“第 3 天到第 4 天”和“第 103 天到第 104 天”在均值、协方差意义下可比较，但不能由此推出所有联合分布在平移后相同。后一个要求叫严格平稳，比只检查二阶统计量涉及的信息多；严格平稳若没有有限二阶矩，也不能直接称为弱平稳。

随机游走展示路径与统计量的区别

令 $\xi_1,\xi_2,\ldots$ 独立，且

\mathbb P(\xi_k=1)=p,\qquad \mathbb P(\xi_k=-1)=1-p,

定义

X_0=0,\qquad X_n=\sum_{k=1}^n\xi_k.

一条路径可能是 $0,1,2,1,0,1,\ldots$ ，另一条可能是 $0,-1,-2,-1,0,-1,\ldots$ 。它们都是同一个模型的可能结果。期望和方差可以从一步增量算起： $\mathbb E[\xi_k]=2p-1$ ，又因 $\xi_k^2=1$ ，有 $\operatorname{Var}(\xi_k)=1-(2p-1)^2=4p(1-p)$ 。期望对有限和具有线性；不同增量独立，交叉协方差为零，所以和的方差等于各项方差之和。这给出

\mathbb E[X_n]=n(2p-1),\qquad \operatorname{Var}(X_n)=4np(1-p),

这些量描述许多路径合在一起的统计规律。第 $n$ 步的位置只能取 $-n,-n+2,\ldots,n$ ，不仅必须是整数，还要与 $n$ 同奇偶。公平游走的均值始终是 0，但第 1 步不可能停在 0，说明均值曲线也未必是一条允许的路径。

相隔两时刻的协方差也能用同一个分解得到。若 $m\le n$ ，把 $X_n$ 写成 $X_m+(\xi_{m+1}+\cdots+\xi_n)$ 。括号里的未来增量与 $X_m$ 独立，故

\begin{aligned} \operatorname{Cov}(X_m,X_n) &=\operatorname{Var}(X_m)\\ &=4mp(1-p)=4p(1-p)\min(m,n). \end{aligned}

当 $0<p<1$ 时，方差随 $n$ 增长，因此这个从 0 出发的随机游走不是弱平稳过程。取 $p=1/2$ 也无济于事：均值恒为 0 只满足了一部分条件。反过来，增量序列本身的均值恒定，协方差在滞后 0 时为 $4p(1-p)$ 、非零滞后时为 0，倒是弱平稳的。状态过程与增量过程要分开检查。

从增量表示可以看出， $X_{n+1}=X_n+\xi_{n+1}$ 。给定当前 $X_n$ ，下一步只需知道新的增量；更早的增量已经被当前总和压缩进当前位置。这是马尔可夫建模的典型动机：寻找一个足够描述当前的状态，而不是把全部历史原样带入。

状态里漏掉了什么

面对一个新的随机变化问题，可以把下面几件事写出来：

观察单位是什么，是每次交易、每个小时，还是事件发生的连续时刻？这决定索引集。
预测对象是什么，是一个有限状态标签、计数，还是实数测量？这决定状态空间。
一条路径怎样产生？要说明初始状态和状态之间的随机规则，而不是只列出几个可能序列。
题目需要边缘分布、联合分布、条件概率，还是期望与协方差？不同问题调用的对象不同。
当前状态是否保留了预测未来所需的信息？若没有，必须扩充状态，例如把“当前库存”和“尚未到货的订单”一起作为状态。

一个好状态的标准不是“看起来简单”，而是“给定它以后，未来问题所需的信息已经足够”。状态过少会让所谓转移概率依赖更长历史；状态过多则增加计算负担。后面学习马尔可夫链，本质上就是在一个合适状态空间上系统利用这个判断。

来看一个与前面两状态天气模型不同的假设系统。今天晴，明天下雨的概率是 $0.2$ ；今天是连续下雨的第一天，明天继续下雨的概率是 $0.3$ ；若已经连雨至少两天，明天继续下雨的概率是 $0.8$ 。这些是模型设定，用来检验状态选择，不是现实天气的经验定律。

取 $X_0=S$ ，比较到第 2 天的两段正概率历史 $S,S,R$ 与 $S,R,R$ 。它们今天都为雨，前者却是首个雨天，后者已有两天雨，于是

\begin{aligned} \mathbb P(X_3=R\mid X_0=S,X_1=S,X_2=R)&=0.3,\\ \mathbb P(X_3=R\mid X_0=S,X_1=R,X_2=R)&=0.8. \end{aligned}

若只保留 $X_2=R$ ，两段历史就混在一起。任何一个单独的“雨后雨概率”都不可能同时等于 $0.3$ 和 $0.8$ ，因此这个二状态记录不满足马尔可夫性。

不必把整段历史全带上。将状态改为 $Z_n\in\{S,R_1,R_{2+}\}$ ，分别表示晴、首个雨天、连雨至少两天，下一步规则就确定了：从 $S$ 以 $0.2$ 到 $R_1$ ，否则留在 $S$ ；从 $R_1$ 以 $0.3$ 到 $R_{2+}$ ，否则到 $S$ ；从 $R_{2+}$ 以 $0.8$ 留在 $R_{2+}$ ，否则到 $S$ 。按设定，更长的连雨天数不会再改变概率，所以不必无限细分状态。

在实验里选这两段历史，比较下一天下雨的概率条。把“首日续雨”和“连日续雨”都设成 $0.5$ ，再观察扩充状态是否还给预测带来差别。在这个特定模型中，两类雨状态的下一步粗分类概率相同，晴雨标签已足够。恢复 $0.3$ 与 $0.8$ 后，调节两类雨天在混合记录中的比例：粗略的雨后雨概率随比例改变，却没有改变任何一类历史自己的转移规则。这说明在条件不足时，一个汇总数字会掩盖什么。

继续计算之前

随机过程把“随机”与“随时间变化”放在同一个对象里。固定时间看分布，固定结果看路径；多个时刻一起看联合分布；用过滤表示到某时刻为止可用的信息；用条件概率检验当前状态对未来是否足够。离散时间链的矩阵、首达事件和吸收时间，都只是沿着这条主线继续问得更具体。

自测与练习

固定一个样本结果 ω 后，t ↦ X_t(ω) 表示什么？

关于马尔可夫性质，下列哪些说法正确？

实值过程的均值恒定，就足以保证弱平稳。

巩固：识别对象与概率层次

某仓库每天记录库存量 $I_n$ ，其中 $I_n\in\{0,1,\ldots,20\}$ 。请指出索引集、状态空间、 $I_5=0$ 所描述的事件，并说明固定样本结果后得到的对象是什么。

已知 $\mathbb P(X_0=A)=0.7$ ， $\mathbb P(X_1=B\mid X_0=A)=0.2$ ， $\mathbb P(X_1=B\mid X_0=C)=0.6$ ，且 $\mathbb P(X_0=C)=0.3$ 。计算 $\mathbb P(X_1=B)$ ，并解释为什么不能直接使用 0.2。

变式：检查状态是否充分

某服务器仅在空闲时接收任务：每个空闲时刻，以 $1/2$ 的概率在下一时刻开始一个新任务，否则继续空闲，各次机会独立。任务服务时间独立地以各 $1/2$ 的概率取 1 步或 2 步；开始服务时记已服务 0 步，服务完成后先回到空闲，不立即替换任务。若只记录“忙/闲”，为什么一般不满足马尔可夫性？给出一种足够的扩充状态。

若当前都记为“忙”，刚开始服务时，下一步完成的概率为 $1/2$ ；已经服务 1 步仍忙时，已知服务时长必为 2，下一步完成的概率为 1。这两种可由历史区分的情形被压在同一状态内。因此只看“忙/闲”时，下一步规则仍依赖更早历史。可以把状态扩充为“闲、忙且已服务 0 步、忙且已服务 1 步”；若服务时间还有更多可能值，就记录足以判断剩余服务分布的信息。

设 $X_0$ 以相等概率取 0 或 1，且 $X_1=X_0$ 。另一个过程 $Y_0$ 同样以相等概率取 0 或 1，且 $Y_1=1-Y_0$ 。比较 $X_1,Y_1$ 的边缘分布与 $\mathbb P(X_1=X_0),\mathbb P(Y_1=Y_0)$ 。这个例子说明了什么？

迁移：把文字问题翻译成过程

一条生产线每小时可能处于“正常”“降速”“停机”三种状态。维修员只在停机后工作，且下一小时状态的概率据称只由当前状态决定。请写出过程的索引集与状态空间，给出一个可检验的马尔可夫性陈述，并指出至少一个需要实际检查的数据问题。

可以令 $X_n$ 表示第 $n$ 个小时的状态，索引集为 $\{0,1,2,\ldots\}$ ，状态空间为 $S=\{\text{正常},\text{降速},\text{停机}\}$ 。对每个正概率历史 $x_0,\ldots,x_n$ ，应检查是否有 $\mathbb P(X_{n+1}=y\mid X_0=x_0,\ldots,X_n=x_n)$ 与历史只通过 $x_n$ 发生关系。数据上至少要检查：记录时间是否等长、状态定义是否一致、维修动作是否被遗漏，以及不同历史在同一当前状态下的下一小时频率是否明显不同。若维修员是否在场也影响未来，就应把“维修员状态”纳入状态。

令 $X_n$ 为公平随机游走的位置， $X_0=0$ ，每步以相等概率向左或向右。有人说“期望位置为 0，所以粒子一定会在原点附近”。请计算 $\mathbb E[X_4]$ 和 $\operatorname{Var}(X_4)$ ，再解释这句话的问题。

这里 $p=1/2$ ，所以 $\mathbb E[X_4]=4(2p-1)=0$ ， $\operatorname{Var}(X_4)=4\times4\times(1/2)(1/2)=4$ 。期望为 0 只说明许多路径的平均位置在原点，不表示每条路径都靠近原点；第 4 步的位置可能是 $-4,-2,0,2,4$ ，波动的标准差为 2。要判断“附近”的概率，还需要完整分布或至少方差等信息，不能只看均值。

延伸一步：用信息和协方差作判断

独立抛两次公平硬币， $\mathcal F_1$ 表示只看过第一次的全部信息。令 $A=\mathbf1_{\{\text{第一次为 }H\}}$ ， $B=\mathbf1_{\{\text{两次相同}\}}$ 。哪个量在 $\mathcal F_1$ 下可测？求 $\mathbb E[B\mid\mathcal F_1]$ ，并用样本空间分组解释。

$A$ 可测：它在 $\{HH,HT\}$ 上恒为 1，在 $\{TH,TT\}$ 上恒为 0。 $B$ 在同一组内仍会变化，例如 $HH$ 上为 1、 $HT$ 上为 0，所以 $B$ 不可测。无论第一次为 $H$ 还是 $T$ ，两次相同都只占相容结果的一半，故 $\mathbb E[B\mid\mathcal F_1]=1/2$ 。这个条件均值在每个可辨认组内恒定，可以在时刻 1 确定；未来的实际 $B$ 值还不能确定。

设 $Z_0,Z_1,\ldots$ 独立同分布，均值为 0、方差为 1，令 $U_n=Z_n+Z_{n+1}$ 。求 $U_n$ 的均值，以及滞后为 0、1 和至少 2 时的协方差，判断它是否弱平稳。为何相邻的 $U_n$ 不能据此说成独立？

由线性性， $\mathbb E[U_n]=0$ ；独立性使不同 $Z$ 的协方差为 0，故 $\operatorname{Var}(U_n)=2$ 。相邻两项 $U_n=Z_n+Z_{n+1}$ 、 $U_{n+1}=Z_{n+1}+Z_{n+2}$ 共享一个 $Z_{n+1}$ ，展开协方差后只留下 $\operatorname{Var}(Z_{n+1})=1$ 。相隔至少 2 时没有共享项，协方差为 0。因此 $\gamma(0)=2$ 、 $\gamma(1)=\gamma(-1)=1$ ，其余滞后为 0；有限二阶矩、均值恒定和只依赖滞后三项都满足，所以弱平稳。相邻项协方差非零，在二阶矩有限的这里已经足以排除独立；平稳从来没有要求各时刻独立。