- •1. ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ СЛУЧАЙНЫХ ПРОЦЕССОВ
- •1.1. Случайные процессы. Основные определения
- •1.2. Элементарная классификация случайных процессов
- •1.3. Конечномерные распределения случайного процесса
- •1.4. Моментные функции случайного процесса
- •2. НЕКОТОРЫЕ ТИПЫ СЛУЧАЙНЫХ ПРОЦЕССОВ
- •2.1. Стационарные случайные процессы
- •2.2. Спектральное разложение стационарного случайного процесса и преобразование Фурье. Спектральная плотность
- •2.3. Нормальные случайные процессы
- •2.4. Абсолютно случайный процесс (белый шум)
- •2.5. Пуассоновские процессы, потоки событий
- •2.6. Потоки Эрланга и Пальма
- •2.7. Марковские процессы (дискретные состояния, дискретное время)
- •2.8. Марковские процессы (дискретные состояния, непрерывное время)
- •3.1. Действительная форма спектрального разложения стационарного случайного процесса
- •3.2. Комплексная форма спектрального разложения стационарного случайного процесса
- •3.5. Преобразование стационарного случайного сигнала линейной стационарной непрерывной системой
- •Лабораторная работа №1. Анализ линейной стационарной непрерывной системы в пакете Matlab
- •Лабораторная работа № 1. Анализ линейной стационарной непрерывной системы в пакете Mathcad
- •Лабораторная работа № 2. Вычисление дисперсии выходного сигнала линейной стационарной непрерывной системы при случайном воздействии в пакете Mathcad
- •Лабораторная работа № 2. Вычисление дисперсии выходного сигнала линейной стационарной непрерывной системы при случайном воздействии в пакете Matlab
- •4. МОДЕЛИРОВАНИЕ СЛУЧАЙНЫХ ПРОЦЕССОВ
- •4.1. Общая характеристика методов моделирования случайных процессов
- •4.2. Метод условных распределений
- •4.3. Метод отбора (Неймана)
- •4.4. Моделирование случайных процессов с заданными корреляционными свойствами
- •4.5. Параметры некоторых алгоритмов моделирования стационарных процессов с типовыми ковариационными функциями
- •Лабораторная работа № 4. Моделирование стационарных гауссовских случайных процессов методом канонических разложений в пакете Mathcad
- •Лабораторная работа № 4. Моделирование стационарных гауссовских случайных процессов методом канонических разложений в пакете Matlab
- •Лабораторная работа № 5. Моделирование дискретных однородных марковских цепей в пакете Mathcad
- •Лабораторная работа № 6. Моделирование случайных процессов методом отбора в пакете Mathcad
- •Лабораторная работа № 6. Моделирование случайных процессов методом отбора в пакете Matlab
- •Лабораторная работа № 7 (факультатив). Моделирование случайных процессов методом условных распределений в пакете Mathcad
- •Библиографический список
- •ОГЛАВЛЕНИЕ
4. Классификация по наличию или отсутствию связей между средним по аргументу t и средним по множеству реализа-
ций: а) эргодические; б) неэргодические.
Стационарный случайный процесс называется эргодическим, если его вероятностные характеристики могут быть получены с вероятностью, сколь угодно близкой к единице, в результате операции усреднения по времени одной реализации, достаточно большой (теоретически бесконечной) длительности.
5. Классификация по типу законов распределения.
По этому типу может быть выделено наибольшее количество различных законов, например: нормальные процессы, процессы с независимыми приращениями, винеровские, марковские и пуассоновские процессы, потоки событий (процессы массового обслуживания), процессы авторегрессии и скользящего среднего и т.п.
1.3. Конечномерные распределения случайного процесса
Пусть ξ(t), t T – действительный случайный процесс и зада-
но некоторое |
произвольное множество |
моментов времени |
||
{t1,t2 ,...,tn } T. |
Тогда соответствующий |
набор случайных вели- |
||
чинξ(t1 ), ξ(t2 ),..., ξ(tn ) имеет n -мерную функцию распределения |
||||
Fξ(x1,t1, x2 ,t2 ,..., xn ,tn )= P{ξ(t1 )≤ x1, ξ(t2 )≤ x2 ,..., ξ(tn )≤ xn }= |
(1.1) |
|||
= P{(ξ(t1 )≤ x1 ) (ξ(t2 )≤ x2 ) ... (ξ(tn )≤ xn )}, |
||||
|
которая называется n -мерной функцией распределения случайного процесса ξ(t).
Совокупность функций (1.1) для различных n =1,2,... и всех возможных моментов времени ti T называется семейством ко-
нечномерных распределений случайного процесса ξ(t).
Рассмотрим подробнее n -мерные функции распределения и
некоторые связанные с ними функции для n =1 и n = 2 . Одномерная функция распределения вероятностей непрерыв-
ного случайного процесса ξ(t) определяется в |
соответствии с |
формулой (1.1) как |
|
Fξ(xi ,ti )= F(xi ,ti )= P{ξ(ti )≤ xi }. |
(1.2) |
7
Множество реализаций ξi (t) случайного процесса ξ(t) и оп-
ределение одномерной функции распределения по формуле (1.2) показаны на рис. 1.2.
Рис. 1.2. Реализации случайного процесса с одномерной
функцией распределения
Свойства F(x,t) стандартны – это обычные свойства функции распределения:
1) |
F(x,t)≥ 0, − ∞ < x < +∞ ; |
|
2) 0 ≤ F(x,t)≤1; |
|
|
3) |
F(∞,t)=1, F(− ∞,t)= 0 ; |
|
4) |
F(x,t) – неубывающая функция по x . |
|
Если процесс дискретен, то |
|
|
|
F(x, kT0 )= P{ξ(kT0 )≤ x}. |
(1.3) |
Плотность распределения вероятностей случайного процесса ξ(t) – функция fξ(x,t)= f (x,t) – представляет собой производную
по x от функции распределения, т.е.
f (x,t)= |
∂F(x,t) |
или |
f (x,t)dx ≈ P{x < ξ(t)≤ x + dx}. |
(1.4) |
|
∂x |
|
|
|
Основные свойства функции плотности распределения:
8
1.f (x,t)≥ 0, − ∞ < x < ∞;
2.∫x f (x,t)dx = F(x,t);
−∞
3. ∞∫ f (x,t)dx =1 .
−∞
При решении многих задач используется характеристическая функция процесса ξ(t), которая может служить столь же эффе к-
тивной характеристикой, что и плотность вероятности:
ϕξ(α,t)= ϕ(α,t)= M [exp(iαξ(t))]= ∞∫exp(iαξ(t))f (x,t)dx , (1.5)
−∞
где α – аргумент характеристической функции. Видно, что характеристическая функция (1.5) является преобразованием Фурье от соответствующей плотности распределения вероятностей f (x,t).
Применение обратного преобразования Фурье к характеристической функции ϕ(α,t) приводит к выражению
f (x,t)= |
1 |
∞∫exp(− iαξ(t))ϕ(α,t)dα . |
(1.6) |
|
|||
|
2π −∞ |
|
Основные свойства характеристической функции:
1) ϕ(0,t)= ∞∫ f (x,t)dx =1;
−∞
2)ϕ(α,t) ≤1;
3)ϕ (α,t)= ϕ(− α,t), где ϕ – комплексно сопряжённая функция
кϕ;
4)если X (t)= aξ(t)+ b , то ϕX (α,t)= ϕξ(aα,t)exp(ibα);
5) если X (t)= ∑n ξk (t), то ϕX (α,t)= ∏n ϕξ(α,t).
k =1 |
k =1 |
Аналогичным образом определяется и двумерная функция распределения вероятностей случайного процесса ξ(t). Одномер-
ные законы распределения случайного процесса в достаточной мере характеризуют его, когда значения ξ(t) в различные моменты
9
времени (в различных сечениях ансамбля реализаций) рассматриваются изолированно. Для решения задач, требующих рассмотрения совместно значений одной случайной функции при двух значениях аргумента t или двух различных случайных функций при одном и том же значении аргумента, пользуются двумерными законами распределения.
Двумерная функция распределения характеризует:
а) в случае одного процесса – вероятность того, что значения случайной функции ξ(t), описывающей процесс, в различные мо-
менты t1 и t2 , будут меньше уровней x1 и x2 (рис. 1.3);
б) в случае двух процессов– вероятность того, что значения случайной функции ξ(t), описывающей первый процесс в момент
t1 , будут меньше x , а значения другой случайной функции ζ(t), описывающей второй процесс в момент времени t2 , – меньше y :
F(x,t1, y,t2 )= P{ξ(t1 )≤ x, ζ(t2 )≤ y}. |
(1.7) |
Аналогично определяются двумерные плотности распределения:
f (x |
,t |
, x |
|
,t |
|
)= |
∂2F(x |
,t , x |
2 |
,t |
2 |
) |
. |
(1.8) |
2 |
2 |
1 |
1 |
|
|
|||||||||
1 |
1 |
|
|
|
∂x1∂x2 |
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
Рис. 1.3. Реализации случайного процесса
с двумерной функцией распределения
10
Определение n -мерной функции распределения случайного процесса ξ(t) дано формулой (1.1), из которой видно, что случай-
ный процесс ξ(t,ω) можно рассматривать как совокупность всех
его возможных сечений. Каждое сечение случайного процесса ξ(t,ω) при фиксированном t представляет собой n -мерный слу-
чайный вектор. В общем случае случайный процесс ξ(t,ω), t T
не может быть полностью определённым, так как он представим несчётной совокупностью своих сечений. Поэтому при решении различных задач, как теоретического, так и прикладного характера, приходится ограничиваться конечномерными законами распределения.
n -мерная функция распределения случайного процесса ξ(t)
обладает следующими свойствами: |
|
|
|
|
|
|
||||||
1) |
0 ≤ F(x1,t1, x2 ,t2 ,..., xn ,tn )≤1 |
– условие нормировки; |
|
|||||||||
2) |
F(x1,t1, x2 ,t2 ,..., xn ,tn ) |
– |
неубывающая |
функция |
||||||||
по переменным |
xi , |
|
т.е. |
∆1...∆n F(x1,t1, x2 ,t2 ,..., xn ,tn )≥ 0 , |
||||||||
где |
∆i F = F(x1,t1,..., xi−1,ti−1, xi |
+ hi ,ti ,..., xn ,tn )− |
|
|
||||||||
− F(x1,t1,..., xi−1,ti−1, xi ,ti ,..., xn ,tn ), а h1, h2 ,..., hn ≥ 0 произвольны; |
||||||||||||
3) |
если |
xi ,i = |
|
, |
|
что |
xi → −∞, |
то |
||||
1,n |
|
|||||||||||
F(x1,t1, x2 ,t2 ,..., xn ,tn )→ 0 , если |
же |
xi ,i = |
|
, |
xi → ∞ , |
то |
||||||
1, n |
||||||||||||
F(x1,t1, x2 ,t2 ,..., xn ,tn )→1; |
|
|
|
|
|
{k1, k2 ,..., kn } |
||||||
4) |
для любой |
перестановки |
индексов |
F(x1,t1, x2 ,t2 ,..., xn ,tn )= F(xk1 ,tk1 , xk2 ,tk2 ,..., xkn ,tkn ).
Условия 3-4 называются условиями согласованности семейства конечномерных распределений. Как видно, свойства функции, определённой формулой (1.2), являются частным случаем вышеприведённых свойств.
Аналогично (1.4) и (1.8) n-мерная функция плотности распределения вероятностей определяется как
f (x ,t , x |
|
,t |
|
,..., x |
|
,t |
|
)= |
∂n F(x ,t , x |
2 |
,t |
2 |
,..., x |
n |
,t |
n |
) |
, (1.9) |
2 |
2 |
n |
n |
1 1 |
|
|
|
|
||||||||||
1 1 |
|
|
|
|
∂x1∂x2 |
...∂xn |
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
а n-мерная характеристическая функция
11