- •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
2. НЕКОТОРЫЕ ТИПЫ СЛУЧАЙНЫХ ПРОЦЕССОВ
2.1. Стационарные случайные процессы
Важным классом случайных процессов являются стационарные случайные процессы. Свойство стационарности означает независимость некоторых характеристик от времени.
Рассмотрим одномерную плотность распределения f (x,t) стационарного случайного процесса ξ(t,ω). Эта плотность не
зависит от места сечения t , т.е. f (x,t1 )= f (x,t2 )= ... = f (x). Математическое ожидание и дисперсия такого процесса будут постоянны:
M [ξ(t)]= ∞∫ xf (x,t)dx = ∞∫xf (x)dx = mx = const,
−∞ |
−∞ |
(2.1) |
|
D[ξ(t)]= ∞∫ (x − mx )2 f (x,t)dx = ∞∫(x −mx )2 f (x)dx = Dx = const. |
|||
|
|||
−∞ |
−∞ |
|
|
Случайный процесс |
ξ(t,ω),t T = [a,b] называется стацио- |
нарным в узком смысле, если n ≥1,tk T , k =1, n и τ R , такого,
что tk + τ T , k =1, n , имеет место тождество
Fξ(x1,t1, x2 ,t2 ,..., xn ,tn )≡ Fξ(x1,t1 + τ, x2 ,t2 + τ,..., xn ,tn + τ)
или, что то же самое,
fξ(x1,t1, x2 ,t2 ,..., xn ,tn )≡ fξ(x1,t1 + τ, x2 ,t2 + τ,..., xn ,tn + τ). |
(2.2) |
Очевидно, что из формул (2.2) сразу следуют формулы (2.1). Действительно, рассмотрим, например, одномерную плотность
распределения f (x,t)= f (x,t + τ). Тогда
∞∫ |
xf (x,t)dx = ∞∫xf (x,t + τ)dx = |
∞∫xf (x,a)dx = mx (a)= const . |
−∞ |
−τ∞=a−t,a R,t+τ=a |
−∞ |
22
Аналогичная ситуация и с дисперсией. Ковариационная функция зависит лишь от разности аргументов, т.е.
cov[ξ(t1, ω), ξ(t2 , ω)]= Kξ(t2 − t1 ). Действительно,
Kξ(t1,t2 )= ∞∫ |
∞∫(x1 − mx )(x2 − mx )f (x1,t1, x2 ,t2 )dx1dx2 = |
|
|||||
|
|
−∞ −∞ |
|
|
|
|
|
= ∞∫ |
∞∫(x1 − mx )(x2 − mx )f (x1,t1 + τ, x2 ,t2 + τ)dx1dx2 = |
(2.3) |
|||||
−∞ −∞ |
|
τ=a −t1,a R,t1 |
+τ=a |
,t2 +τ=(t2 −t1 )+a |
|||
|
|
|
|
||||
= ∞∫ |
∞∫(x1 − mx )(x2 − mx )f (x1, a, x2 , (t2 − t1 )+ a)dx1dx2 = |
|
|||||
−∞ −∞ |
|
= Kξ(t2 − t1 ). |
|
|
|
||
|
|
|
|
|
|
||
Если |
τ = t2 − t1 , |
то |
f (x1,t1, x2 ,t2 )= f (x1, x2 , τ) |
и |
|||
Kξ(t2 − t1 )= Kξ(τ)= Kξ(− τ) – |
по |
свойствам ковариационной |
|||||
функции (см. подразд. 1.4). |
|
|
|
|
|||
Случайный процесс ξ(t,ω),t T |
называется стационарным в |
широком смысле, если его математическое ожидание – постоян-
ный вектор, |
а ковариационная функция зависит от разности аргу- |
ментов, т.е. |
M [ξ(t,ω)]= mx = const, Kξ(t1,t2 )= Kξ(t2 −t1 )= Kξ(τ). |
Это означает, что у таких процессов функции распределения первого и второго порядков инвариантны по отношению к началу отсчёта времени, а остальные функции (более высоких порядков) могут не удовлетворять этому условию.
Очевидно, что если случайный процесс является стационарным в узком смысле, то он является стационарным и в широком смысле. Обратное не всегда справедливо.
Стационарные случайные процессы могут обладать или не обладать эргодическим свойством. Если это свойство присутствует, то в случайном процессе устанавливается стационарный режим функционирования, заключающийся в том, что любая реализация этого процесса рано или поздно пройдёт через любое состояние независимо от того, в каком состоянии находился этот процесс в начальный момент времени. Это значит, что любая реализация эргодического стационарного процесса достаточной продолжительности несёт в себе сведения обо всей совокупности реализаций данного процесса.
23
В этом случае математическое ожидание, дисперсия и ковариационная функция определяются формулами (1.20), (1.22) и (1.24).
Таким образом, путём временного усреднения можно определить различные статистические характеристики стационарного эргодического случайного процесса.
Пример 4. Случайные величины A и ϕ независимы. Математическое ожидание и дисперсия первой из них равны соответственно: mA = 0 и DA = σ2 , а ϕ R(− π, π). Доказать, что случайный процесс ξ(t)= Acos(ω0t + ϕ) стационарен в широком смысле
( ω0 – неслучайная величина). Найдём mξ и Kξ :
mξ = M [ξ(t)]= M [Acos(ω0t + ϕ)]= M [A] M [cos(ω0t + ϕ)]= 0,
Kξ(t1,t2 )= M [ξ(t1 )ξ(t2 )]= M [Acos(ω0t1 + ϕ) Acos(ω0t2 + ϕ)]=
=M A2 (cos(ω0 (t1 + t2 )+ 2ϕ)+ cos(ω0 (t1 − t2 )))]=
2
=M A2 {M [cos(ω0 (t1 − t2 ))]+ M [cos(ω0 (t1 + t2 )+ 2ϕ)]}=
2
= 12 σ2 cos(ω0 (t1 − t2 ))+ 12 σ2M [cos(ω0 (t1 + t2 )+ 2ϕ)].
Чтобы найти значение последнего члена в предыдущей формуле, воспользуемся аппаратом числовых характеристик случайных функций. Именно, если X – непрерывная случайная
величина с плотностью вероятности f (x), а Y = ϕ(X ), то
my = M [ϕ(X )]= ∞∫ϕ(x)f (x)dx . В нашем случае
−∞
M [cos(ω0 (t1 +t2 )+ 2ϕ)]= −π∫π 21π cos(ω0 (t1 +t2 )+ 2ϕ)dϕ =
= |
1 |
πcos(ω |
|
(t |
+t |
|
)+ 2ϕ)d 2ϕ = |
1 |
sin(ω |
|
(t |
+t |
|
)+ 2ϕ) |
|
π |
= |
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
||||||||||||
|
|
∫ |
0 |
1 |
|
2 |
|
4π |
0 |
1 |
|
2 |
|
|
−π |
|
|
|
4π −π |
|
|
|
|
|
|
|
|
|
|
|
|
|
= 41π[sin(ω0 (t1 + t2 )+ 2π)−sin(ω0 (t1 +t2 )−2π)]= 0.
24
Итак, процесс ξ(t) стационарен в широком смысле, так как его математическое ожидание постоянно ( mξ = 0 ), а ковариационная
функция |
зависит |
только |
от |
разности |
τ = t2 − t1 : |
Kξ(t1,t2 )= 12 σ2 cos(ω0 (t2 − t1 ))= Kξ(τ).
Рассмотрим подробнее вопрос об эргодичности стационарных случайных процессов. Конкретно свойство эргодичности определяется по отношению к некоторым выбранным числовым характе-
ристикам случайного процесса ξ(t).
Случайный процесс ξ(t,ω),t T = [0,l], интегрируемый на
множестве T с весом µ(t1,t2 )=1l , t1,t2 T и обладающий постоянным математическим ожиданием mξ , называется эргодическим
по отношению к математическому ожиданию mξ , если сущест-
вует предел
lim 1 |
∫l |
ξ(t, ω)dt =mξ . |
(2.4) |
l →∞ l |
0 |
|
|
Необходимым и достаточным условием эргодичности случайного процесса ξ(t) по отношению к математическому ожиданию
является выполнение равенства
lim |
1 |
l l |
K |
|
(t |
,t |
|
)dt dt |
|
= 0 . |
(2.5) |
|
|
2 |
∫∫ |
ξ |
2 |
2 |
|||||||
l→∞ l |
|
1 |
|
1 |
|
|
||||||
|
0 0 |
|
|
|
|
|
|
|
|
|
Практическая проверка реализации условия (2.5) может быть во многих случаях затруднительной, поэтому часто в случае стационарных случайных процессов используют достаточное условие эргодичности:
|
|
|
lim |
K |
|
(t ,t |
|
)= 0 . |
(2.6) |
|||
|
t |
2 |
−t |
1 |
|
→∞ |
|
ξ |
1 |
2 |
|
|
|
|
|
|
|
Аналогичным образом определяется эргодичность случайного процесса по отношению к дисперсии.
Стационарный случайный процесс ξ(t,ω),t T = [0,l], интегрируемый на множестве T с весом 1l , называется эргодическим по отношению к дисперсии Dξ , если существует предел
25