Случайные_процессы
.pdfПонятие стационарности случайного процесса отражает идею неизменности (стационарности) условий, в которых он протекает.
Пример. Пусть α(ω) и β(ω) — скалярные случайные величины с числовыми характери-
стиками: М[α(ω)] = 0; М[β(ω)] = 0, D[α(ω)] = D[β(ω)] = σ2, cov[α(ω), β(ω)] = 0.
Доказать, что случайный процесс ξ(t, ω) = α(ω) cos(φt) + β(ω) sin(φt), t T = [0, ∞), где φ R
— постоянная, является стационарным в широком смысле.
Решаем на занятии.
2.2. Нормальные процессы
Определение 2.3. Случайный процесс ξ(t, ω), t Т = [a, b], называют нормальным, или гауссовым процессом, если любые его конечномерные законы распределения являются нормальными.
Пусть ξ(t, ω), t Т = [a, b], — n-мерный нормальный процесс с математическим ожиданием mξ(t) и ковариационной функцией Кξ(t,s). В этом случае для любого N≥l, и для любых
tk Т известны значения его математического ожидания mξ(tk) = Mξ(tk, ω ), k = l, …, N, и
ковариационной функции Кξ(tk,tj) = M[(ξ(tk, ω) - mξ(tk))(ξ(tj, ω) - mξ(tj))T].
Введем в рассмотрение блочные матрицы-столбцы, которые при дальнейших рассуждениях будем называть блочными векторами:
|
|
|
|
|
|
ξ (t |
,ω) |
|
|
|
m (t |
) |
|
|
|
||||||
|
|
|
|
|
|
1 |
|
|
|
|
|
|
ξ |
|
1 |
|
|
|
|
||
|
|
|
|
|
... |
|
|
|
|
... |
|
|
|
|
|||||||
η N (t,ω) = |
|
|
, mN |
(t) = |
|
|
|
|
|
, |
|
|
|||||||||
|
|
|
|
|
... |
|
|
|
|
... |
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
ξ (t N ,ω) |
|
|
|
mξ (t N ) |
|
|
|||||||||
и блочную матрицу VN: |
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
K |
ξ |
(t , t ) |
|
K |
ξ |
(t , t |
|
) ... |
|
K |
ξ |
(t , t |
|
) |
|
|||
|
|
|
|
1 1 |
|
|
1 |
2 |
|
|
|
|
1 |
|
N |
|
|
||||
V |
= |
|
Kξ (t2 , t1 ) |
|
Kξ (t2 , t2 ) ... |
|
Kξ (t2 , tN ) |
. |
|||||||||||||
... |
|
|
|
... |
|
... |
|
|
|
... |
|
|
|
||||||||
N |
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Kξ (tN , t2 ) ... |
|
|
|
|
|
|
|
|
|
||||
|
|
Kξ (tN , t1 ) |
|
|
Kξ (tN , tN ) |
|
Не останавливаясь на анализе особых случаев, связанных с возможной линейной зависимостью сечений рассматриваемого случайного процесса, будем считать, что |VN| ≠ 0. Блочный вектор ηN(ω) является (nN)-мерным случайным вектором с математическим ожиданием mN и ковариационной матрицей VN. А так как ξ(t, ω), t Т, — нормальный случайный процесс, то случайный вектор ηN(ω) распределен по нормальному закону и
f ( y) = |
|
1 |
|
exp{− |
1 |
( y − m |
|
)T V |
−1 ( y − m |
|
)} |
|
|
|
|
N |
N |
||||||
η |
(2π )nN |VN | |
|
2 |
|
N |
|
|
||||
|
|
|
|
|
|
|
|
|
является N-мерной функцией плотности вероятностей для случайного процесса ξ(t, ω),
t Т.
11
Таким образом, любой конечномерный закон распределения нормального случайного процесса полностью определяется его математическим ожиданием и ковариационной функцией.
Если ξ(t, ω), t Т, — n-мерный стационарный нормальный случайный процесс, то его математическое ожидание — постоянный n-мерный вектор, а аргументом ковариационной функции является параметр τ = s-t.
В силу центральной предельной теоремы нормальные случайные процессы в ряде случаев оказываются предельными для сумм возрастающего числа случайных процессов.
2.3. Процессы с независимыми приращениями
Определение 2.4. Случайный процесс ξ(t, ω), t Т R, называют процессом с независи-
мыми приращениями, если для любых N > 1 и tk Т, к = 1, …, N, таких, что t1 < t2 < ... < tN, случайные величины
ξ(t1, ω), ξ(t2, ω) - ξ(t1, ω), … , ξ(tN, ω) - ξ(tN-1, ω)
являются независимыми.
Встречаются случайные процессы, родственные (в определенном смысле) случайным процессам с независимыми приращениями. Отметим некоторые из них.
1. Если n-мерные случайные векторы ξ(t1, ω), ξ(t2, ω) - ξ(t1, ω), … , ξ(tN, ω) - ξ(tN-1, ω) являются, вообще говоря, зависимыми, но некоррелированными, то n-мерный случайный процесс ξ(t, ω), t Т, называют процессом с некоррелированными (ортогональными)
приращениями.
2. Если для любых N > 1 и tk Т, k = 1, …, N, закон распределения приращения ξ(tk+1, ω) - ξ(tk, ω) зависит лишь от tk+1 - tk, то случайный процесс ξ(t, ω), t Т, с независимыми при-
ращениями называют процессом со стационарными независимыми приращениями.
Случайный процесс ξ(t, ω), t Т R, с независимыми приращениями полностью определен одномерным законом распределения fξ(x|t), характеризующим случайный вектор ξ(t1, ω), и двумерным законом распределения fξ(x1, x2|t1, t2), характеризующим приращения
ξ(tk+1, ω) - ξ(tk, ω).
Пример. Пусть ξ(t, ω), t Т R, — случайный процесс с ортогональными приращениями и требуется определить его ковариационную функцию.
Полагая s > t, имеем
Кξ(t,s) = cov [ξ(t, ω), ξ(s, ω)] = cov[ξ(t, ω), ξ(t, ω) + ξ(s, ω) - ξ(t, ω)] = cov[ξ(t, ω), ξ(t, ω)] + cov[ξ(t, ω), ξ(s, ω) - ξ(t, ω)] = Sξ(t),
где последние равенства следуют из свойств ковариации и некоррелированности случайных величин ξ(t, ω) и ξ(s, ω) - ξ(t, ω).
Рассуждая аналогично, при t >s получаем
12
Кξ(t,s) = Sξ(s).Таким образом, с учетом связи ковариационной функции случайного процесса и его ковариационной матрицы, имеем
Kξ |
S |
ξ (t ), |
s ≥ t; |
|
(t, s) = |
|
(s), |
s < t. |
|
|
Sξ |
Отметим, что процесс с независимыми приращениями является процессом с ортогональными приращениями. Поэтому результат, полученный при рассмотрении этого примера, имеет место для любого процесса с независимыми приращениями.
2.4. Винеровский процесс
Определение 2.5. Если ξ(t, ω), t Т = [0,∞), — n-мерный случайный процесс, то его называют винеровским процессом, выходящим из 0, если выполнены три условия:
1)ξ(0, ω) ≡ 0;
2)для любых N > 1 и tk T, k = 1, …, N, таких, что 0 < t1 < t2 < ... <tN, случайные векторы ξ(t1, ω), ξ(t2, ω) - ξ(t1, ω), … , ξ(tN, ω) - ξ(tN-1, ω) являются независимыми;
3)для любых tl, t2 Т, таких, что 0 < t1 < t2, случайный вектор ξ(t2, ω) - ξ(t1, ω) распределен по нормальному закону с нулевым математическим ожиданием и ковариационной матрицей (t2 - t1)In, где In — единичная матрица.
Винеровский процесс, или процесс броуновского движения, имел большое значение при разработке теории случайных процессов. Многие распределения, используемые в теории управления, можно моделировать процессами, порождаемыми винеровскими процессами. В 1827 г. Р. Броун заметил, что маленькие частицы диаметром около микрона, погруженные в жидкость, находятся в постоянном хаотическом движении.
В 1905 г. А. Эйнштейн объяснил это движение как результат столкновения частиц с молекулами жидкости. Он разработал математическую модель броуновского движения и определил число Авогадро, равное числу молекул в объеме, занятом молем газа.
Строгий математический анализ броуновского движения дал Н. Винер в 1923 г. Эвристически броуновское движение можно объяснить следующим образом. Рассмотрим отдельную частицу, погруженную в жидкость, обозначив через ξ1(t), ξ2(t), ξ3(t) ее координаты в момент времени t > 0. Будем считать, что в начальный момент времени t = 0 она находится в начале координат, т.е. ξk(t) = 0, k = 1,2,3. Движение частицы на любом конечном временном интервале является результатом изменения импульса (количества движения) вследствие практически бесконечно большого числа независимых друг от друга соударений с молекулами жидкости. Поэтому естественно считать, что применима центральная предельная теорема. Кроме того, можно допустить, что:
а) смещения частицы в ортогональных направлениях происходят независимо;
13
б) ξk(t), k = 1,2,3, распределены по нормальному закону с нулевым математическим ожиданием и дисперсией σ2(t);
в) смещение частицы в каждом k-ом ортогональном направлении на различных непересекающихся временных интервалах 0 < t1 < t2 < ... <tN представляется независимыми случай-
ными величинами ξ(t1), ξ(t2) - ξ(t1), … , ξ(tN) - ξ(tN-1);
г) смещение частицы в каждом k-ом ортогональном направлении на временном интервале (t, t + h), равное ξk(t + h) - ξk(t), имеет ту же функцию распределения, что и смещение ξk(h)
- ξk(0) = ξk(h).
Отметим также, что дисперсия σ2(t) = D[ξk(t)] обладает любопытным свойством:
σ2(t) = σ2·t, где постоянную σ2 интерпретируют как коэффициент диффузии. Действительно, согласно допущению в), случайные величины ξk(t)и ξk(t + h) - ξk(t) являются независимыми. Поэтому
Dξk(t + h) = D[ξk(t)] + D[ξk(t + h) - ξk(t)], или σ2(t + h) = σ2(t) + D[ξk(t + h) - ξk(t)].
А так как, согласно допущению г), D[ξk(t + h) - ξk(t)] = D[ξk(h)], то
σ2(t + h) = σ2(t) + σ2(h), откуда и следует отмеченное свойство.
Замечание 2.1. Если в определении винеровского процесса условие ξ(0, ω) ≡ 0 заменить условием ξ(0, ω) ≡ x, то получим определение винеровского процесса, выходящего из точки х.
Замечание 2.2. Если ξ(t, ω), t Т, — винеровский процесс с коэффициентом диффузии σ2,
то случайный процесс η(t, ω) = ξ(t, ω)/ σ 2 , t Т, называют стандартным винеровским процессом. Для любых t1, t2 Т, таких, что 0 < t1 < t2 , случайный вектор η(t2, ω) - η(t1, ω) распределен по нормальному закону с нулевым математическим ожиданием и ковариационной матрицей (t2 –t1)In.
Cвойства винеровских процессов.
1.Винеровский процесс является процессом со стационарными приращениями.
2.Для любых 0 ≤ t1 < t2 ковариационная функция винеровского процесса равна t1σ2In.
3.Винеровский процесс является нормальным процессом.
Доказать. Подсказка для 3: определите N-мерный закон распределения винеровского процесса.
14
2.5. Марковские процессы
Замечание. Для конечномерных функций плотности марковских процессов fξ(x(1), …,
x(N)|t1, …, tN) используют сокращенные обозначения fξ(x(1), …, x(N)).
Определение 2.6. Пусть ξ(t, ω), t Т R, —n-мерный случайный процесс, конечномерные функции плотности вероятностей которого fξ(x(1), …, x(N)) заданы для любых N ≥ 1 и tk Т, k = 1, …, N, таких, что t1 < t2 < ... < tN. Если при этом условная функция плотности вероятностей такова, что fξ(x(N)|x(N-1), …, x(1)) ≡ fξ(x(N)|x(N-1)), то ξ(t, ω), t Т, называют марков-
ским процессом.
Свойство.
Любой конечномерный закон распределения марковского процесса выражается через его двумерный закон распределения.
Доказать.
Пример. Винеровский процесс является марковским процессом.
Доказать.
2.6. Пуассоновский процесс Определение 2.7. Пуассоновским процессом с параметром λ > 0 называют скалярный
случайный процесс ξ(t, ω), t Т = [0,∞), обладающий следующими свойствами:
1)ξ(0, ω) ≡ 0;
2)для любых N > 1 и tk T, k = 1, …, N, таких, что 0 =t0< t1 < t2 < ... <tN, случайные векторы ξ(tk, ω) - ξ(tk-1, ω) , k = 1, …, N, являются независимыми;
3)для любых tl, t2 Т, таких, что 0 ≤ t1 < t2, случайный вектор ξ(t2, ω) - ξ(t1, ω) распределен по закону Пуассона с параметром λ(t2 – t1), т.е.
P[ξ (t |
|
,ω) − ξ (t |
,ω) = k ] = |
[λ (t 2 − t1 )]k |
e −λ (t2 −t1 ) , k N {0}. |
2 |
|
||||
|
1 |
|
k! |
|
|
|
|
|
|
|
Замечание 2.3. Пуассоновский процесс играет важную роль в различных приложениях теории случайных процессов, в частности, в теории массового обслуживания.
Вопросы и задачи
2.1.Докажите, что из стационарности в узком смысле следует стационарность в широком смысле, но не наоборот.
2.2.Является ли винеровский процесс: а) гауссовским процессом; б) марковским процессом?
2.3.Определите N-мерный закон распределения пуассоновского процесса.
2.4.Какими общими свойствами обладают винеровские и пуассоновские процессы?
2.5.Докажите, что пуассоновскии процесс является марковским.
15
2.6. Пусть v — неслучайный параметр, а α(ω) и β(ω) — некоррелированные скалярные случайные величины с нулевыми математическими ожиданиями и одинаковой дисперсией, равной σ2. Является ли скалярный случайный процесс
ξ(t, ω) = α(ω) sin(vt) + β(ω)cos(vt), t Т R,
а) стационарным в широком смысле; б) стационарным в узком смысле?
2.7. Решите задачу 2.6, если известна совместная функция плотности вероятностей случайных величин α(ω) и β(ω):
|
|
24 |
|
|
|
|
|
|
fαβ |
|
|
x 2 y 2 , |
x 2 + y 2 ≤ 1; |
||||
|
||||||||
(x, y) = |
π |
|
|
|
|
|
||
|
|
0, |
|
2 |
+ y |
2 |
> 1. |
|
|
|
x |
|
|
2.8. Является ли случайный процесс
η(t, ω) = ξ(t, ω) + u(ω), t Т R, стационарным в широком смысле, если ξ(t, ω) — стационарный в узком смысле случайный процесс и: а) для любого фиксированного t Т случайные векторы ξ(t, ω) и u(ω) являются независимыми; б) u(ω) = ξ(t0, ω), где t0 Т.
2.9.Пусть ξ(t, ω), t Т, — скалярный нормальный стационарный в узком смысле случайный процесс. Найдите одномерную и двумерную функции плотности вероятностей этого случайного процесса.
2.10.Ковариационная функция Kθ(τ) угла крена корабля θ(t, ω), имеет вид
Kθ(τ) = αe-β|τ|cos(vτ). Определите вероятность того, что в момент времени t2 = t1+ τ угол крена будет больше 15°, если θ(t, ω) — скалярный нормальный стационарный случайный процесс с нулевым математическим ожиданием и θ(t1, ω) = 5°, τ = 2(с), α = 30 (град)2, β = 0,02(1/с), v = 0,75 (1/с).
Ответ: 0,0037.
Указание: использовать результаты решения задачи 2.9.
3. ЭЛЕМЕНТЫ СТОХАСТИЧЕСКОГО АНАЛИЗА
Стохастический анализ — это раздел математики, в котором случайные функции и их обобщения изучают методами математического анализа, объединяющими теорию пределов, дифференциальное и интегральное исчисление и их непосредственные приложения. и т.д. Далее используем лишь одно понятие сходимости — сходимость в смысле среднего квадратичного, или СК-сходимость.
Это связано с тем, что понятие СК-сходимости является наиболее приемлемым с точки зрения приложений.
Следует также отметить, что при использовании СК-сходимости изучение векторных случайных процессов в значительной степени сводится к изучению их координатных случайных процессов, а анализ существования предела, непрерывности, дифференцируемости и
16
интегрируемости скалярных случайных процессов — к изучению соответствующих свойств их математических ожиданий и ковариационных функций.
Напомним, что последовательность случайных величин {ξn(ω)} сходится к случайной величине ξ(ω) в среднем квадратичном, если
lim M [(ξ n (ω) − ξ (ω))2 ] = 0.
n→∞
3.1. Сходимость в смысле среднего квадратичного (СК-сходимость)
Определение 3.1. Пределом n-мерного случайного процесса ξ(t, ω) = (ξ1(t, ω), …, ξn(t, ω))T при t→t0 в смысле СК-сходимости называют случайный вектор η(ω) = (η1(ω), …, η n(ω))T и
обозначают limξ (t,ω) = η(ω), если существует предел
t →t0
|
n |
lim M [|| ξ (t,ω) −η (ω) ||2 ] = 0, где || ξ (t,ω) −η (ω) ||= ∑[ξ k (t,ω) −ηk (ω) ]2 − евклидова |
|
t →t0 |
k =1 |
|
норма n-мерного случайного процесса ξ(t, ω) - η(t, ω).
Приняв за основу понятие СК-сходимости, мы тем самым определили выбор нормы для анализа случайных процессов:
|| ξ (t,ω) ||ск = M [|| ξ (t,ω) ||] 2 ≡ ∫ xT x fξ (x | t) dx.
R n
Будем рассматривать только такие случайные процессы, для которых указаная СК-норма является конечной. Случайные процессы, удовлетворяющие этому условию, называют случайными процессами второго порядка. Таким образом, видим, что в основе понятия сходимости в смысле среднего квадратичного лежит понятие СК-нормы,
которую мы ввели как неотрицательную скалярную функцию параметра t Т. Убедимся в том, что при любом фиксированном t Т эта функция действительно определяет норму. Для этого рассмотрим множество HnТ(R) n-мерных случайных процессов второго порядка, определенных на Т R, и будем считать, что случайные процессы ξ(t, ω), t Т и η(t, ω),
t Т из этого множества равны, если ||ξ(t, ω) - η(t, ω)||ск = 0, t Т.
В этом случае множество HnТ(R) со стандартными операциями сложения своих элементов и их умножения на число является линейным пространством, а n-мерный случайный процесс второго порядка ξ(t, ω), t Т, является нулевым, т.е. является нейтральным элементом линейного пространства HnТ(R) , если
||ξ(t, ω)||ск = 0, t Т.
Пусть теперь для любых двух элементов ξ(t, ω) и η(t, ω), линейного пространства HnТ(R) определена скалярная функция параметра t Т:
17
|| (ξ (t,ω),η(t,ω)) ||ск = M [ξ T (t,ω) η(t,ω)]2 ≡ ∫ |
∫ xT y fξ (x, y | t) dxdy, |
Rn |
Rn |
где fξ(x,y|t) — одномерная функция плотности вероятностей (2n)-мерного случайного процесса (ξ(t, ω), η(t, ω))
Непосредственной проверкой можно убедиться в том, что при каждом фиксированном
t Т скалярная функция (ξ(t, ω), η(t, ω))ск удовлетворяет аксиомам скалярного умножения: 1) для любого ξ(t, ω) HnТ(R) имеет место неравенство
(ξ(t, ω), ξ (t, ω))ск ≥ 0,
причем равенство (ξ(t, ω), ξ (t, ω))ск = 0 выполняется тогда и только тогда, когда ξ(t, ω) = 0; 2) для любых ξ(t, ω), η(t, ω) HnТ(R) и t Т имеет место равенство
(ξ(t, ω), η(t, ω))ск = (η(t, ω), ξ(t, ω))ск
3) для любых ξ(t, ω), η(t, ω)
(λξ(t, ω), η(t, ω))ск = λ(ξ(t, ω), ξ (t, ω))ск.
4) для любых ξ(t, ω), η(t, ω), α(t, ω) HnТ(R), и t Т имеет место равенство
(ξ(t, ω)+ η(t, ω), α(t, ω))ск = (ξ(t, ω), α(t, ω))ск + (η(t, ω), α(t, ω))ск.
Так как линейное пространство HnТ(R) с введенным скалярным произведением является евклидовым пространством, то при любом фиксированном t Т норма может быть введена стандартным способом как корень из скалярного произведения:
|| ξ (t,ω) ||ск = (ξ (t,ω),ξ (t,ω))ск ,
и при этом автоматически удовлетворяются все аксиомы нормы: 1) для любого ξ(t, ω) HnТ(R) имеет место неравенство
||ξ(t, ω)||ск ≥ 0,
причем ||ξ(t, ω)||ск = 0 тогда и только тогда, когда ξ(t, ω) = 0;
2) для любых ξ(t, ω) HnТ(R), λ R и t Т имеет место равенство
||λξ(t, ω)||ск = |λ|·||ξ(t, ω)||ск;
3) для любых ξ(t, ω), η(t, ω) HnТ(R) и t Т имеет место неравенство треугольника
||ξ(t, ω) + η(t, ω)||ск ≤ ||ξ(t, ω)||ск + ||η(t, ω)||ск.
Заметим, что СК-норма и порождающее ее скалярное произведение, введенное на линейном пространстве n-мерных случайных процессов HT(R), обладают известными свойствами, в частности, для любых ξ(t, ω), η(t, ω) HnТ(R) и t Т выполняется неравенство Коши
— Буняковского
|(ξ(t, ω), η(t, ω))ск | ≤ ||ξ(t, ω)||ск · ||η(t, ω)||ск.
Теорема 3.1. n-мерный случайный вектор
18
|
η |
|
(ω) |
|
ξ |
|
(t,ω) |
||
|
|
1 |
|
|
|
|
1 |
|
|
|
|
|
. |
|
|
|
|
. |
|
η(t,ω) = |
|
|
. |
|
является пределом n-мерного случайного процесса ξ (t,ω) = |
|
|
. |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
ξ n |
|
|
|
ηn |
(ω) |
|
(t,ω) |
при t → t0 Т тогда и только тогда, когда для любого k = 1, …, n случайная величина ηk(ω) является пределом при t → t0 скалярного случайного процесса ξk(t, ω), t Т. Определение 3.2. n-мерный случайный процесс ξ(t, ω), t Т R, называют пределом по- следовательности n-мерных случайных процессов {ξ(m)(t, ω), t Т R}∞m=1 и обозначают
lim ξ(m) (t,ω) = ξ (t,ω), t T , |
|
|
|
|
|
|
|
|
|
|
|
m→∞ |
|
|
|
|
|
|
|
|
|
|
|
если существует предел |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ξ |
|
(t,ω) |
|
ξ |
|
(t,ω) |
||
|
|
|
|
(m)1 |
|
|
|
|
1 |
|
|
lim M [|| ξ(m) (t,ω) − ξ (t,ω) ||2 |
] = 0, t T , гдеξ |
|
|
|
. |
|
|
|
|
. |
|
(m) (t,ω) = |
|
|
. |
, ξ (t,ω) = |
|
|
. |
. |
|||
m→∞ |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
||||
|
|
|
ξ(m)n |
|
|
|
ξ n |
|
|
||
|
|
|
(t,ω) |
|
(t,ω) |
Теорема 3.2. n-мерный случайный процесс ξ(t, ω), t Т, является пределом последовательности n-мерных случайных процессов {ξ(m)(t, ω), t Т}∞m=1 тогда и только тогда, когда для любого k = 1, …, n скалярный случайный процесс ξk(t, ω) является пределом последовательности скалярных случайных процессов {ξ(m)k(t, ω), t Т}∞m=1.
Как следует из теорем 3.1, 3.2, сходимость векторного случайного процесса и сходимость последовательности векторных случайных процессов эквивалентны сходимости координатных скалярных случайных процессов и их последовательностей. Поэтому далее основное внимание уделено скалярным случайным процессам.
Теорема 3.3. Если существует предел скалярного случайного процесса ξ(t, ω), t Т, второго порядка при t→t0 Т, равный случайной величине η(ω), то существует и предел скалярной функции M[ξ(t, ω)] при t→t0 Т, равный М[η(ω)].
Справедливы и стохастические критерии Коши для случайных процессов и для последовательностей случайных процессов.
Теорема 3.5. Пусть ξ(t, ω), t Т, — скалярный случайный процесс второго порядка. Предел ξ(t, ω), t Т, при t→t0 Т, существует тогда и только тогда, когда существует конечный предел скалярной функции M[ξ(t, ω) - ξ(τ, ω)] двух переменных t и τ при (t, τ) →(t0, t0). Следствие 3.1. Для скалярного случайного процесса второго порядка ξ(t, ω), t Т, предел
lim[ξ (t,ω)] существует тогда и только тогда, когда существуют и конечны пределы
t →t0
lim[M ξ (t,ω)] = m0 , |
lim [Kξ (t,τ )] = K0 . |
t →t0 |
t ,τ →t0 |
19
3.2. Непрерывность случайного процесса
Определение 3.3. Скалярный случайный процесс второго порядка ξ(t, ω), t Т, называют непрерывным в точке τ Т, если существует предел
lim M [(ξ (t,ω) − ξ (τ ,ω)) 2 ] = 0, или, что то же самое, lim || ξ (t,ω) − ξ (τ ,ω) ||2 ск = 0.
t →τ t →τ
Определение 3.4. Если скалярный случайный процесс второго порядка ξ(t, ω), t Т, является непрерывным в каждой точке t Т, то его называют непрерывным на множестве Т. Пример. Пусть ξ(t, ω), t Т = [0, ∞) — скалярный винеровский процесс. Докажем, что он непрерывен на T.
Для любых t, τ Т , имеет место равенство
M [(ξ (t,ω) − ξ (τ ,ω))2 ] = (t − τ )σ 2 .
Таким образом, скалярный винеровский процесс является непрерывным на Т, так как
lim M [(ξ (t,ω) − ξ (τ ,ω))2 ] = lim(t − τ )σ 2 = 0.
t →τ t →τ
Теорема 3.6. Скалярный случайный процесс второго порядка ξ(t, ω), t Т, непрерывен на Т тогда и только тогда, когда на Т непрерывно его математическое ожидание а на Т х Т непрерывна его ковариационная функция.
Пример. Случайный процесс из ранее рассмотренного примера, ξ(t, ω) = α(ω) cos(φt) + β(ω) sin(φt), t T = [0, ∞), где φ R — постоянная, имеющий параметры М[α(ω)] = mα; М[β(ω)] = mβ, D[α(ω)] = σ2α, D[β(ω)] = σ2β, cov[α(ω), β(ω)] = k, является непрерывным на Т.
Доказать.
3.3. Дифференцируемость случайного процесса
Определение 3.5. Скалярный случайный процесс второго порядка ξ(t, ω), t Т, называют
дифференцируемым в точке t0 Т, если существует случайная величина ξɺ(t0 ,ω), для ко-
торой
|
|
ξ (t,ω) − ξ (t0 ,ω) |
|
|
2 |
|
|
|
|
ɺ |
|
|
|
||
lim M |
|
|
|
|
|
= 0. |
|
|
|
||||||
|
t − t0 |
− ξ (t0 |
,ω) |
|
|
||
t →t0 |
|
|
|
|
|
||
|
|
|
|
|
|
|
|
Определение 3.6. Если скалярный случайный процесс второго порядка ξ(t, ω), t Т, явля-
ется дифференцируемым в точке t0 Т, то случайную величину ξɺ(t0 ,ω) называют его
производной в этой точке.
Определение 3.7. Если скалярный случайный процесс второго порядка ξ(t, ω), t Т, является дифференцируемым в каждой точке открытого множества T0, то его называют
20