Выбери формат для чтения
Загружаем конспект в формате pdf
Это займет всего пару минут! А пока ты можешь прочитать работу в формате Word 👇
Тема № 1 Основные понятия. Стационарные процессы
Рассмотрим произвольное вероятностное пространство , A, . Вспомним
определение из курса теории вероятностей, призванное формально определить величины,
подлежащие «измерению» в случайных экспериментах.
Определение. Случайной величиной называется функция w : , заданная
на пространстве элементарных событий , принимающая значения в и
удовлетворяющая условию, что для любого вещественного
множество
х
w : w x является событием, т.е. w : w x A .
Часто при исследовании различных явлений в области телекоммуникаций приходится
иметь дело со случайными величинами, изменяющимися во времени.
Основным понятием теории случайных процессов является следующее.
Определение. Случайным процессом (или случайной функцией) t , t T называется
семейство случайных величин t , зависящих от параметра t , пробегающего некоторое
множество значений T . Таким образом, любому фиксированному t0 однозначно ставится
в соответствие случайная величина t , называемая сечением случайного процесса. При
этом считается, что все случайные величины t , которые образуют это семейство, заданы
на одном вероятностном пространстве , A, P .
Обычно параметр t играет роль времени (так сложилось исторически, из практических
потребностей прикладных наук).
Определение. Реализацией, выборочной функцией или траекторией случайного
процесса t , t T называют действительную функцию t 0 : T аргумента t T ,
где 0 - некоторый фиксированный элемент из .
На практике считается, что в результате некоторого эксперимента происходит
элементарное событие 0 и наблюдается значение t t в точке 0 . Поэтому
траектория случайного процесса зависит от наблюдений при эксперименте.
Каждой сечению t для фиксированного t T однозначно ставится в соответствие
функция
распределения
F x P t x .
t
Эта
функция
описывает
поведение
случайного процесса в момент времени t .
Пример. Пусть T . По определению зададим t t t0 b , где t0 , b некоторые фиксированные числа, - некоторая случайная величина, заданная на
некотором вероятностном пространстве , A, P , не зависящая от параметров t , t0 , b .
При фиксированном t случайная величина t будет обладать функцией распределения
xb
F
, t t0
t t0
x b
F x P t x P (t t0 ) b x P
.
, t t0
t
t
t
0
0, b x
P b x
, t t0
1, b x
Если фиксировать элементарный исход 0 , то t 0 будет реализацией
случайного процесса
, t T
и будет представлять из себя прямую линию. Тангенс
t
угла наклона этой линии равен значению 0 . Так как случайная величина может
принимать разные значения то все реализации (траектории) случайного процесса t будут
принадлежать пучку прямых на плоскости. Каждая прямая этого пучка проходит через
точку плоскости с координатами t0, b . Эта точка в аналитической геометрии носит
название центра пучка прямых на плоскости.
Случайный процесс t в данном примере носит называние веерного случайного
процесса.
Зная поведение случайного процесса в момент времени t , мы не можем предсказать
поведение значений t в другие моменты времени. Для описания этих зависимостей
необходимо рассмотреть функцию распределения случайного вектора t ,..., t ,
n
1
координаты которого равны значениям процесса в моменты времени t1,..., tn .
Обозначим
Ft ,...,t (x 1,..., xn ) F
(x 1,..., x n ) F ( x1 ,..., xn ) P t1 x1 ,..., tn xn .
,...,
n
1
t1
tn
Определение. Семейство функций
F
t1 ,...,tn
(x 1,..., x n ), n , t1,..., tn T n , ti t j
называется семейством конечномерных распределений случайного процесса t , t T .
Это семейство удовлетворяет условиям согласованности:
1.
Пусть
Ft
i1
,...,ti
n
x ,..., x
i1
2. lim Ft ,...,t
xn
1
перестановка
i ,..., i F x ,..., x .
1
in
n 1 ,tn
t1 ,...,tn
элементов
n
1
из
1,n ,
тогда
n
(x 1,..., x n 1, x n ) Ft ,...,t (x 1,..., x n 1 ) .
1
n 1
Введем еще одно полезное
Определение. Случайные процессы
вероятностном пространстве
, A, P
, t T и , t T ,
t
t
заданные на одном
и одинаковом множестве T , называются
стохастически эквивалентными, если t T
P t t 1 .
Определим некоторые характеристики случайного процесса {t , t T } :
1. Пусть m t E t для всех t T , если это математическое ожидание определено и
m t : T
конечно, тогда функция
называется математическим ожиданием
случайного процесса.
2. Пусть D t D t = E t m t
2
для всех t T , если дисперсия определена и
конечна, тогда D t : T - дисперсия случайного процесса (иногда вводят функцию
среднеквадратичного отклонения t D t : T ).
m t ,
3. Пусть
m s , тогда
K s, t E s m s t m t
-
ковариационная функция случайного процесса.
Докажите следующие свойства K s, t :
2
а) K s, t D s D t , б) K t, t D t , в) K s, t K t, s .
4. R s, t
K s, t
D s D t
- корреляционная функция случайного процесса.
Докажите следующие свойства R(s, t ) :
а) R s, t 1 , б) R t, t 1 , в) R s, t R t, s .
Классификация случайных процессов
Основными признаками, по которым можно провести классификацию случайных
процессов, являются:
1). Пространство состояний E , которому принадлежат все возможные значения,
принимаемые всеми случайными величинами t по всем t T :
E Et t () .
t T
t T
Назовем множество E фазовым пространством.
Если E , то E – фазовое пространство целочисленного случайного процесса.
Если E – это некоторый непрерывный промежуток из , то E – фазовое
пространство действительного случайного процесса.
2). Временной параметр T .
Определение. Если t T , то говорят, что процесс t , t T является процессом
с дискретным временем. Если параметр t принимает все значения из некоторого
непрерывного промежутка на числовой прямой, то говорят, что процесс t , t T случайный процесс с непрерывным временем.
3). Отношение зависимости между случайными величинами t .
Определение. Рассмотрим случайный процесс t , t T , где T . Для всех n
для любых t1 t2 ... tn T рассмотрим случайные величины t t ,..., t t
2
1
n
n 1
.
Случайный процесс называется процессом с независимыми приращениями, если
величины t t ,..., t t независимы в совокупности.
2
1
n
n 1
Случайный процесс называется процессом с некоррелированным приращением, если
величины t t ,..., t t – некоррелированные случайные величины.
2
1
n
n 1
Случайный процесс называется процессом с ортогональным приращением, если
t t ,..., t t некоррелированы, и m t 0 для всех t T .
2
n
1
n 1
Случайный процесс называется марковским, если при всех n для любых
t1 t2 ... tn tn 1 T , для любых x 1,..., x n , x n 1 E , где E – фазовое пространство
случайного процесса t , t T , выполняется
P t
n 1
x n 1 | t x n , t
Определение.
n 1
n
Функция
x n 1,..., t x 1 P t
1
n 1
P t, x , s, y P s y | t x
x n 1 | t x n .
n
функцией
называется
переходных вероятностей марковского процесса.
Данная функция играет важную роль при изучении подобных процессов.
Стационарные процессы
Рассмотрим случайный процесс t , t T .
Определение. Случайный процесс называется стационарным в узком смысле, если
при всех n для любых t1 t2 ... tn T для всех h таких, что t1 h , … ,
tn h T , совпадают конечномерные распределения
Ft ,...,t (x 1,..., x n ) Ft h ,...,t
1
n
1
n h
(x 1,..., x n ).
Определение. Случайный процесс называется стационарным в широком смысле, если:
1) существует a такое, что m t a для всех t T ,
2) существует b такое, что D t b для всех t T ,
3) для любых s, t T , для всех h таких, что t h, s h T , выполняется
K s, t K s h, t h , т.е. K s, t зависит только от разности t и s .
Проверьте, всегда ли из стационарности в узком смысле следует стационарность в
широком смысле.
Для стационарного в широком смысле процесса корреляционная функция R s, t
зависит только от разности t s и может быть обозначена R s, t R t s R
. Это верно и для ковариационной функции K s, t K t s K
Важную роль при изучении стационарных в широком смысле случайных процессов
играет следующая
Теорема (Бохнера-Хинчина – без доказательства). Пусть t , t T - стационарный
в широком смысле случайный процесс, корреляционная функция которого R
непрерывна. Тогда существует случайная величина
с функцией распределения
F x F x , характеристическая функция которой равна R , т.е. R .
По теореме единственности такая функция F x определяется однозначно. Эту
функцию распределения F x называют спектральной функцией процесса
Определение.
F x
x
p s ds
Если
спектральная
функция
F x
, t T .
представима
t
в
виде:
, где p s p s - плотность случайной величины из теоремы
Бохнера-Хинчина, то функцию p x называют спектральной плотностью процесса
, t T .
t
Теорема. Пусть
, t T
t
– стационарный в широком смысле случайный
процесс со спектральной плотностью p(x ) и конечен интеграл
R d , тогда
p(x )
1
e ix R d .
2
Пример. Рассмотрим случайный процесс t 1 cos wt 2 sin wt , где w константа; 1 и 2 - случайные величины, заданные на одном вероятностном пространстве
и не зависящие от t , t .
Ответим на вопрос, когда данный случайный процесс является стационарным в
широком смысле и найдем корреляционную функцию R(s, t ) .
m(t ) E 1 cos(wt ) E 2 sin(wt ) , т.е. для того, чтобы m(t ) не зависело от t ,
необходимо, чтобы E 1 E 2 0 .
Пусть s t . Тогда
K s, t E t s E 12 cos wt cos ws 22 sin wt sin ws 12 cos wt sin ws
E sin wt sin ws E sin t s w .
12 sin wt cos ws E 12 cos wt cos ws
2
2
1 2
Функция K s, t не будет зависеть от t , если E 12 E 22 2 и E 12 0 .
Из того, что E 1 E 2 0 следует, что D 1 D 2 2 . Так как
1, 2
E 1 E 1 2 E 2
D 1 D 2
E 12
2
0,
то, следовательно, случайные величины 1 и 2 не коррелированны. Более того, мы будем
считать, что они независимы.
Следовательно,
K (s, t ) 2 cos wt cos ws sin wt sin ws 2 cos w t s 2 cos w .
Мы получили, что K (s, t ) зависит только от разности s t . Теперь воспользуемся
независимостью случайных величин 1 и 2 :
D t D 1 cos wt 2 sin wt D 1 cos wt D 2 sin wt cos2 wt D 1
sin2 wt D 2 2 cos2 wt sin2 wt 2 ,
т.е. дисперсия случайного процесса D(t ) не зависит от t .
Отсюда получаем
2 cos w
E t t
R s, t R
cos w .
2 2
D t D t
Итак, если случайные величины
1
и
2
– независимые с одинаковыми
математическими ожиданиями, равными 0, и одинаковыми ненулевыми дисперсиями 2 ,
то t , t - стационарный в широком смысле случайном процесс с корреляционной
функцией R cos w .
Ясно, что корреляционная функция R непрерывна на , поэтому по теореме
Бохнера – Хинчина существует случайная величина с функцией распределения
F x F x , и F (x ) - спектральная функция случайного процесса t , t .
Очевидно, что – дискретная случайная величина с таблицей распределения
w
w
(докажите это самостоятельно).
1 / 2 1 / 2
Для данной случайной величины не существует плотности. Следовательно, наш
процесс не обладает спектральной плотностью.
Случайный процесс t , t представляет собой гармоническое колебание со
случайной амплитудой 12 22 и случайной фазой arctg
которых не зависят от времени t .
Определение. Случайный процесс
, t
t
1
2
, распределения
называют белым шумом, если он
является стационарным в широком смысле и обладает постоянной спектральной
плотностью c, называемой интенсивностью белого шума.
Ковариационная функция для белого шума имеет вид K 2c Ind 0
Это случайный процесс, любые два сечения которого некоррелированы. Белый шум
это удобная математическая абстракция, так как физически такой процесс не реализуем - у
него дисперсия равна бесконечности (это немного противоречит определению
стационарного в широком смысле случайного процессса). С помощью этой
математической модели упрощается решение многих практических задач. Обращаться к
этой модели можно, когда все временные характеристики процесса много больше, чем
интервал корреляции и можно считать, что выполняется: «Любые два сечения t и t (
1
1
t1 t2 ) некоррелированные (слабо коррелированы)».
Случайный процесс назвали «белым» по аналогии с белым светом, у которого спектр
электромагнитного излучения имеет равномерную мощность по всем длинам волн в
видимой части спектра.