Churakov_Mat_met_obr_exp_dan_v_ekon
.pdfзначений представляет собой дискретное множество, а область определения Г непрерывна.
Если у случайного процесса множество значений непрерыв но, а область определения представляет собой конечное или счетное дискретное множество Г= {ti, ^2, ..J, то его принято на зывать случайной последовательностью.
Наконец, случайный процесс принято называть дискретной случайной последовательностью, если и область определения, и множество значений являются дискретными множествами. На рис. 4.1 представлены примеры реализаций x(t) различных слу чайных процессов X(t) в соответствии с данной классификацией.
Возможны более сложные конструкции случайного процесса. Так, случайный процесс X(t) может быть не скалярным, а много мерным. Если X(t) — вектор-функция, каждый компонент кото рой представляет собой случайный процесс, то такой процесс X(t) принято называть векторным. Аргумент t также может быть векторным: например, совмещать время и пространственные ко ординаты какого-либо изменяющегося во времени и распреде ленного в пространстве явления, скажем температуры. Такой процесс X(t) принято называть случайным полем.
4.2. Одномерные характеристики случайного процесса
Основное внимание далее уделяется процессам с непрерывным множеством их значений — непрерывным случайным процессам и случайным последовательностям. Этот выбор определяется эконометрической направленностью пособия, так как именно такие процессы наиболее характерны для эконометрических приложений. При этом мы не будем обсуждать такие «деликат ные» понятия, как среднеквадратичные непрерывность, дифференцируемость, интегрируемость случайных процессов, стохас тические дифференциальные уравнения Ито и Стратоновича и многое другое, отражающее современный математический уро вень теории стохастических процессов, а ограничимся тем мини мумом сведений, который необходим цдя решения основных прикладных задач. Математическое описание случайных после довательностей будем совмещать с аналогичным представлением непрерывных процессов, делая соответствующие комментарии в
160
случае необходимости в них. Непрерывные случайные процессы условимся обозначать прописными символами — Д/), Y(t) и т.п., а их реализации строчными — соответственно x(t), y(t) и т.п. Ана логичным образом за случайными последовательностями закре пим обозначения Xi, Yi и т.п. (/ = 1, 2,...), а за их реализациями - X/, J//и т.п. При этом если множество значений индекса / конечно, т.е. / = 1, 2, ..., N, то случайную последовательность будем назы вать стохастическим временным рядом. Будем полагать, что как последовательность, так и ряд сформированы на основе равно мерно поступающих во времени данных, т.е. // = //_i + ^, где ^ = const - так называемый период дискретизации. При рас смотрении характеристик, общих для непрерывных процессов и последовательностей, будем использовать единый символ X(t), если это не порождает каких-либо недоразумений.
Характеристики случайных процессов принято разделять на одномерные, относящиеся к одному конкретному сечению, и многомерные, отражающие свойства процесса совместно в не скольких сечениях. Так как в сечении случайный процесс являет ся случайной величиной, то его одномерные характеристики сов падают с аналогичными характеристиками случайных величин, известными из курса теории вероятностей, что позволяет доста точно кратко изложить их.
Пусть / = // - фиксированное сечение процесса X(t).
Определение 4.3. Функция Fx{x; //) = P(X{ti) < х) называется одномерной функцией распределения вероятностей случайного процесса ДО в момент времени //.
Функция распределения, таким образом, представляет собой вероятность того, что в сечении // случайный процесс X{t) примет значение, меньшее некоторой величины х. Хотя формально она записана как функция двух переменных, ее аргументом является переменная jc, а присутствие величины // объясняется желанием указать «адрес» сечения, к которому эта функция относится. Ес ли не возникает недоразумений, эту величину не указывают. Ха рактерные свойства этой функции таковы:
1./М-оо;/.) = 0;
3. F^b- и) - Fx{a\ и) = Р{а < X{ti) < b), где а, be R; 4. F;^b; ti)>Fx(a;td при b> а;
161
5.Функция распределения непрерывна слева, т.е. /л<^о;^/) ~
=lim Fx{x\ и) при X ^ дсо - О и P{X{td < XQ) = Р{х^\ //);
6.P{X{ti) = fl) = О, если функция F(x; t^ в точке а непрерывна,
иP{X(ti) = a)- lim Fx{b\ ti)-Fx(a; t^), если в этой точке имеет-
СЯ разрыв первого рода.
Одномерная функция распределения, таким образом, являет ся неубывающей, непрерывной слева с множеством значений [О, 1]; она имеет участки монотонного возрастания, участки по стоянства и в некоторых точках может иметь разрывы первого рода.
Определение 4.4. Пусть существует функция/^х; //) такая, что можно представить
Ux(x;ti)dbc = Fx(x;ti), |
(4.1) |
—оо
или при дифференцируемой функции Рх{х; //)
fx(x;ti)^-^Fx(x;ti). (4.2)
Тогда функция /у(х; //) называется одномерной плотностью вероятностей случайного процесса X(t) в сечении //.
Смысл плотности вероятностей заключается в том, что с точ ностью до бесконечно малых высших порядков выполняется ра венство
Мх; ti)dx = Р{х<X(ti) <x + dx),
и функцияfx{x; ti) показывает, как эта вероятность распределяет ся вдоль оси X. В справедливости равенства несложно убедиться, если представить
jc+cbc |
x+dx |
X |
fx{x\ti)6x^ |
|
J fxix\ti)dx^ |
J |
fx{x\ti)ux- |
\ |
|
;c |
— |
|
-co |
(4.3) |
=Fx{x + ux\td-Fx{x\ ti)
и функцию Fx(x + djc; ti) «линеаризовать» в окрестности точки х. Из (4.1) следует равенство
162
—oo
обычно называемое условием нормировки плотности вероятнос тей. Поступая аналогичным (4.3) образом, получаем еще один важный результат:
ffxix; ti)dx = Fx(b; ti)-Fx(a; ti) = Р{а<ХЦ^)<Ь). (4.4)
a
Наконец, полезно заметить, что плотность вероятностей fx{x\ //) как производная от неубывающей функции Fx(x; ti) явля ется неотрицательной функцией. Если функция Fx(x; //) имеет разрывы, то плотность вероятностей и в этих точках формально может быть определена введением 5-функций с интенсивносгями, равными величинам скачков (разрывов).
Введенные характеристики процесса X(t) полностью отража ют в сечении // его вероятностные свойства. Однако во многих случаях можно офаничиться более скромной информацией о процессе, сосредоточенной в его числовых характеристиках. В качестве таковых, как и для случайных величин, используют ма тематическое ожидание (среднее значение) m^iti), средний квад рат Cx(ti), дисперсию D^iti) и среднеквадратическое отклонение pj^//). По определению имеем:
mx(ti)=^M{X(t,)}=l xf(x',ti)dx',
Cx(ti) = M{xHti)}= J xV(x; //)ck;
|
—oo |
Dx(ti) = M{(X\ti)f}=l |
(x-mx(ti)ffx(x; //)dbc; |
^x(^i) = Px(^i)-
Здесь, как и ранее, Л/{...} — символ усреднения, X°(ti) - цент рированная случайная величина. В соответствии с определения ми все эти характеристики являются неслучайными числовыми величинами, причем математическое ожидание mx(ti) представ-
163
ляет собой ту величину, относительно которой разбросаны от дельные реализации процесса X(t) в сечении //, а дисперсия явля ется мерой этого разброса. Полезно отметить ряд очевидных свойств:
где CjE R, Xj(t) — случайные процессы;
если g(t) — неслучайная функция, то
M{gm=^g(td. M{Y(td=g(ti)Xm =g(tdmxitil DY(td=g^{ti)DM^
Если процесс X(t) является непрерывным и аргумент // пробе гает все возможные значения в соответствии с областью опреде ления Т процесса, то его математическое ожидание и дисперсия могут рассматриваться как детерминированные функции време ни соответственно mx(t) и Dx(t), Для случайной последовательно сти Xi аналогичным образом получим детерминированные ре шетчатые функции m^^i] = mx(ti) и D^ii] = D^ti), /=1,2,....
4.3. Многомерные характеристики случайного процесса. Марковские процессы
Как уже отмечалось, одномерные характеристики случайного процесса X{t) отражают его свойства в одном сечении и, следова тельно, не содержат никаких данных о поведении процесса во времени, т.е. в динамике. Этой цели служат многомерные распре деления — двумерные, трехмерные и т.д. Рассмотрим вначале дву мерный случай.
Итак, пусть X(t) — случайный процесс. Выделим какие-либо два сечения Д//) и X(tj) этого процесса, соответствующие момен там времени // и tj, и зададимся произвольными числами Xi и Х2, относящимися соответственно к /-му иу-му сечениям.
Определение 2.5. Функция Fx(xi, x-i, ti, tj) = P{{X{t^ < x\)r\{X{tj
< Х2)) называется двумерной функцией распределения вероятнос тей случайного процесса X(t) в моменты времени // и tj.
164
Таким образом, двумерная функция /ЗК^ь ^ъ U^ 0 представ ляет собой вероятность совместного выполнения двух событий: процесс X(t) в момент времени // принимает значение, меньшее некоторой величины хь а в момент tj — меньшее Х2. Аргументами этой функции являются переменные xi и X2, а величины //, tj ука зывают сечения, к которым эта функция относится. Основные ее свойства.
1. Функция Fxixi, Х2; //, tj) неотрицательная, неубывающая и непрерывная слева по каждому из аргументов х\ и Х2.
2. Если хотя бы один из аргументов стремится к —©о, функция распределения вероятностей стремится к 0.
3,F(oo,oo;ti,tj)=l.
4. Fxixu 00; ti, tj) = Fx(xx\t^\ Fx{oo, X2\ tb tj) = Fx{x2,tj).
5.F(xi,X2; //, //) = Fix2, xu tj, //).
6.0 < F(xi, X2\ ti, tj) < 1 при Vxi, X2.
Определение 4.6. Пусть существует функция/^xi, Х2; //, tj), та кая, что можно представить
1 J fxi^b ^ъ и^ tj)6xx^2 =Рх(^ь ^ъ t'n tj), |
(4.5) |
или при дифференцируемой функции F{x\, Х2\ ti, tj)
fx(Xi, X2\ ti, ^y)=g^g^ F{Xx, X2\ //, tj). |
(4.6) |
Тогда функция yV(^b ^i\ ^ь {/) называется двумерной плотнос тью вероятностей случайного процесса X(t) в моменты времени
U^tj,
Характерные свойства этой функции.
1-Л(^ь ^ъ th /y)cbcidx2 = Р{хх <X{t^ <xi + (^xxrsx2^X(tj) <Х2 + dx2).
0 0 |
0 0 |
2. J |
J fxi^iy ^ъ U^ ^y)dxidx2 =1 (условие нормировки). |
—oo—oo
Ъ.МХх, X-i, ti, (j) =fx(X2, Xu tj, tj). ^•fxiXl, X2; ti, tj) > 0 при VX,, X2.
0 0
^- / fxi^u ^2; ti, tj)dxi =fx(x2; tj);
— 00
0 0
/ fxi^u X2; ti, tj)dx2 =fx(xu til
—00
165
Определение 4.7. Функция
/ж(хь/,|х2.0)= ^^^^^.^.^ . (4.7)
где принимается/^Х2; ^2) '^ 0> называется условной плотностью еероятностей процесса X{t) в момент времени // при условии, что в момент tj процесс принял значение xi. По аналогии вводится ус ловная плотность
/х(^2. О^ь ^/) = у^ (^ . ^^ > /^Ui; ^/)^0. (4.8)
Условные плотности/^jci; //|х2; tj),fx(x2\ tj\x\\ /,) не следует пу тать с одномерными плотностямиу^к^ь ^d^fxi^b {/)» которые час то называют в целях противопоставления безусловными: безуслов ная плотность вероятностей в одном из сечений строится незави симо от поведения процесса в другом сечении; в то же время ус ловная плотность в одном из сечений строится в предположении, что процесс во втором сечении принял некоторое фиксирован ное значение. Как плотность вероятностей, условная плотность обладает теми же свойствами, что и безусловная плотность веро ятностей.
В соответствии с (4.7), (4.8) двумерная плотность выражается через одномерные
=fxiXbtj)xMXuti\X2;tj).
Если же поведение процесса в одном из сечений не зависит от его поведения во втором, то
Мхь |
ti\Kb tj) =Mxh ti)Jx(x2\ ^Мь и) = |
,^ щ |
= М^ъ |
tj)Jx{Xb Хъ tb Ь) =МХь ti)MX2; tj), |
|
и сечения Д//), Д//) называют независимыми. При независимых сечениях двумерная плотность оказывается равной произведению одномерных.
Принцип определения двумерных законов распределения ве роятностей и плотностей вероятностей распространяется на про извольное число п сечений случайного процесса ДО, что приво-
166
дит к понятию соответствующих л-мерных характеристик. Рас смотрим п сечений случайного процесса, относящихся к какимлибо п моментам времени /^ t2, ..., /^, и зададимся п числами хь ^2,..., Хп. Тогда по определению принимается
Fx(Xi, Х2, ..., Xfjl / j , t2, ..., |
tfj)-P\ f](X(t^)<Xj) |
т.е. я-мерный закон распределения вероятностей представляет собой вероятность совместного выполнения п указанных собы тий и является функцией п аргументов хь JC2, ..., х^. Аналогичным образом определяют л-мерные плотности вероятностей
—оо —оо
f^xiP^l^ ^2» --^ Xfil ^Ь ^2> ^2» •••> 0>
ИЛИ же при дифференцируемой функции F;^Xi,X2,..., х„; ^j, /2, •••, ^л)
^-^—^f^ix^, |
Х2, ..., x„;ti, ..., t„) = |
"^fxi^h ^ъ •••> ^п\ h-> h^ •••> О-
Эти функции обладают свойствами, подобными перечислен ным выше в связи с двумерными характеристиками, и мы их опу скаем. Особо отметим, что
/К^ь ^ъ - , ^п\ h. h. •', tn) =fx(xu ti)fx(x2l h\xh Н)/х(хз; /з|х1, X2; h, /2)...
•"fx(Xn, tn\xbX2, ...,x,,_i; tu t2,..., tn-i), |
(4.11) |
где смысловое содержание условных плотностей сохраняется прежним. Если же выбранные сечения независимы, соотноше ние (4.11) существенно упрощается и л-мерная плотность выра жается через одномерные
fxixi, Х2, ..., x„;ti, ..., t„)=nfx(Xi; |
U), |
(4.12) |
167
Выражение (4.12) подкупает своей простотой по сравнению с общим выражением (4.11). К сожалению, его применимость ог раничена случаем независимых сечений, что в практических за дачах встречается не часто. Вместе с тем есть определенный класс случайных процессов, для которых представление многомерной плотности занимает промежуточное положение между (4.11) и (4.12). Такими процессами являются марковские.
Определение 4.8. Случайный процесс X(t) называется марков ским, если при любом выборе последовательности аргументов ^ь ^2» •••» ^« выполняется равенство
fxiXn', Фи Х2, ..., Х„_и tu t2, ..., tn-l) =МХп; tnK-U t^-i), |
(4.13) |
т.е. условная плотность процесса в л-м сечении при фиксирован ных значениях процесса в предыдущих (п — I) сечениях зависит от значения процесса только в предыдущем (п — 1)-м сечении и не зависит от «предыстории». Это означает, что если марковский процесс в какой-то момент времени т принял значение х, то рас пределение вероятностей в любой последующий момент времени / > т определяется его значением х именно в этот момент т и со вершенно не зависит от его реализаций до момента т.
Для марковского процесса соотношение (4.11) принимает вид:
/Л^Ь Х2У ••., Хп\ h, tj, ..., tfi) =
= fxiXb h)MX2\ t2\Xb h)MXi\ t^\K2\ t2)"MXn\ Фп-Ъ |
tn-x)- |
Иными словами, дг-мерная плотность марковского процесса выражается через одномерную плотность первого сечения и ус ловные одномерные плотности последующих сечений при фик сированных значениях только единственного предыдущего сече ния. Если воспользоваться определениями (4.7), (4.8), получим
Мх\,х2, ...,х^; h, t2,..., о = |
,, ,,, |
|
А 7 - 1 |
П-\ |
(4.14) |
|
||
П/(^/, ^/чь и, ti^x) |
П/(^/, ^/ч-ь ti, //+i) |
|
^М |
/=1 |
|
П/(х,;г,) |
П//(х,-, |
|
i=2 |
/=2-оо |
|
Таким образом, «-мерная плотность вероятностей марков ского процесса выражается через двумерные плотности. Это бо-
168
лее сложное представление, чем простейшее (4.12), но значитель но проще общего случая (4.11). И если случай независимых сече ний является прикладной «экзотикой», то марковская модель широко распространена при описании весьма разнообразных ре альных процессов и явлений.
4.4. Ковариационные и взаимные ковариационные функции случайных процессов. Белый шум
Двумерные плотности вероятностей характеризуют свойства слу чайного процесса совместно в двух сечениях. Однако поиск этих плотностей не является тривиальной процедурой. Поэтому при решении прикладных задач стремятся использовать более до ступные в практическом отношении характеристики случайного процесса, пусть менее точно, но тем не менее отражающие вза имные свойства двух сечений процесса. В качестве своеобразной меры статистической связи двух сечений случайного процесса, относящихся к моментам времени // и tj, применяют так называе мую ковариационную функцию A'jK^/» {/)• Прежде чем дать соот ветствующее определение, условимся центрированным называть процесс Х°(/) = X(t) — mjdt), имеющий нулевое математическое ожидание.
Определение 4.9. Неслучайная функция переменных // и tj
Kx(ti,tj) = M{X^{tdX^{tj) =
(4.15)
J J (xi-mx(ti))(x2-mx(tj))fx(xi, |
X2\ //, tj)6xx6x2 |
—oo —oo |
|
называется ковариационной функцией случайного процесса X{t). Таким образом, ковариационная функция представляет со бой среднее значение произведения двух центрированных сече ний случайного процесса. Хотя в ее формальном определении присутствует двумерная плотность вероятностей, предполагает ся, что при практическом вычислении ковариационной функции
удастся обойтись без этой плотности. Функцию
Rx(ti,tj)= , ^^" '' |
(4.16) |
pxiti)Dx{tj) |
|
169