随机振动通常要用概率论的方法描述。概率反映随机事件出现可能性的大小。将随机事件的结果用数量描述，就得出随机变量的概念，因为它描述随机变量的发展过程，故又称随机过程，而随机振动只是随机过程的一类实例。
假设在一定条件下重复某个随机试验（如汽车道路试验），得到系统响应（如司机座的铅垂加速度）的一系列时变历程记录（见图）。其中每个记录
都可看作一个样本，而大量样本构成一个集合，记为X（t），用它代表这一随机过程。
对于随机现象，人们感兴趣的往往不是各个样本本身，而是从这些样本总体得出的统计特性。例如，以随机函数X在瞬时t取值不大于x的概率，可定义一维概率分布函数：
并由此导出一维概率密度函数：
类似地，可定义多维概率分布与密度函数。从随机函数的概率密度函数又可确定各种数字特征；例如，各次矩可以定义如下：
记号E{ }表述集合平均。可以看出，一次矩即随机函数的平均值
二次矩即均方值
而二次中心矩
称为方差，它的平方根
常称为标准差。平均值反映过程的总倾向；均方值往往与平均能量相联系；方差则可用来表征随机变量分散程度。
平均特性可区分为集合平均和时间平均。前者是对集合求平均，后者是对单个样本来求的。根据统计特性是否随采样时间原点的选取而变化，随机过程可分为非平稳过程和平稳过程。根据集合平均特性是否等同于时间平均特性，随机过程又可分为遍历的和非遍历的。遍历的随机过程一定是平稳的；反之则不一定。
在各种平均特性中，最重要的是相关函数和功率谱密度。一个随机振动又可以看作大量数目的具有随机振幅与相位的谐和振动之和。它的总功率就等于各个谐和分量的功率之和。人们感兴趣的是找出这种功率如何按频率分布。平稳随机函数
X的自相关函数
定义为乘积
的集合平均值。它是时延的函数，反映相隔的的两个时刻的随机变量之间的线性相关程度，同时它还蕴藏着随机过程中各个谐和分量的频率和平均功率的信息。因此，从自相关函数的谐和变换
可得到功率谱密度（简称自谱）的概率，它恰好描述随机过程的平均功率按频率的分布规律。按定义有：
由逆谐和变换，得：
当=0时，
由此可见，
正是X关于频率f的均方谱密度.
实用上，常用功率谱的形状作为随机过程的标志，例如在随机振动试验中，各种基准谱都是按谱形来规定的。人们按谱形将偏于两个极端的情况分为称为窄带过程和宽带过程。窄带过程是指它的功率谱具有尖峰特性，并只有在尖峰附近的一个窄带内才取有意义的量级。典型的例子是随机信号通过窄带滤波器后所得的结果。相反地，宽带过程的功率谱在相当宽（带宽至少与其中心频率有相同的数量级）的频带上取有意义的量级。最极端的情形是白噪声，它的谱密度是均匀的并有无限的带宽。白噪声只是一种数学抽象，因为在无限的带宽上都有有限的功率意味着有无限的总功率。不过，当随机激励的频带足够宽，以致将系统所有的固有频率覆盖无遗时，把该激励视为白噪声是可取得，这样做数学上便于处理。
自相关和自谱是从同一个随机过程得到的统计特性，类似地可以定义两个不同随机过程X和Y之间的互相关函数
与互谱
从互谱还可定义相干函数：
互谱和相干函数在实验确定系统频率特性以及确定振源和振动传递路径方面有独特的作用。
随机过程中的一类特别重要的过程，称为正态过程，亦称高斯过程。平稳正态过程的一维概率密度函数可表示为：
正态过程有以下特点：许多自然现象可以用正态过程近似地描述；正态过程的线性变换仍然是正态过程；只需知道正态过程的一次钜与二次钜，就可确定概率密度。这些特点给随机振动研究带来很大方便。首先，随机振动的许多激振源（如大气湍流、海浪、路面等）都可以看作正态过程。其次，从第二点可知，对于常系数线性系统，当输入是正态过程，输出也一定是正态过程，只要确定它们的平均值和方差，就可确定它们的全部统计特性。
洗衣机控制系统设计.
一种气化炉烧嘴及其使用方法、含其的气化炉简介