- •Введение
- •Глава 1. Элементы теории случайных процессов Определение и описание случайного процесса
- •Статистические средние характеристики случайных процессов
- •Стационарные случайные процессы
- •Свойства функции корреляции
- •Эргодические случайные процессы
- •Глава 2. Цепи Маркова с дискретным временем Основные определения
- •1. Условие нормировки
- •2. Уравнение Чепмена-Колмогорова
- •Цепи Маркова с дискретным временем
- •Классификация состояний цепи Маркова с дискретным временем
- •Структура периодического замкнутого класса
- •Классификация состояний цепи Маркова по асимптотическим свойствам переходных вероятностей
- •Эргодические теоремы для цепей Маркова
- •Вероятностно-временные характеристики цепи Маркова
- •Глава 3. Цепи Маркова с непрерывным временем
- •Дифференциальные уравнения Колмогорова
- •Финальные вероятности
- •Время перехода из одного состояния в другое
- •Статистический смысл финальных (стационарных) вероятностей
- •Время пребывания цепи Маркова в j-ом состоянии
- •Процессы гибели и размножения
- •Процесс чистого размножения
- •Простейший поток
- •Основные вероятностные характеристики простейшего потока
- •Глава 4. Элементы теории массового обслуживания
- •Система массового обслуживания, основные определения и классификация
- •Система m/m/1/ (с очередью)
- •Система m/m/n
- •Глава 5. Непрерывные марковские процессы
- •Определение диффузионного случайного процесса
- •Обратное уравнение Колмогорова
- •Прямое уравнение Колмогорова. Уравнение Фоккера-Планка
- •Некоторые частные случаи уравнения Фоккера-Планка
- •Допредельная модель диффузионного процесса
- •Глава 6. Стохастические интегралы
- •Стохастический интеграл в форме Ито
- •Особенность стохастического интеграла в форме Ито
- •Стохастический интеграл в форме Стратановича
- •Связь интегралов Ито и Стратановича
- •Глава 7. Стохастические дифференциальные уравнения Определение стохастических дифференциальных уравнений. Свойства их решений
- •Формула дифференцирования Ито
- •Решение стохастических дифференциальных уравнений
- •Литература
- •Содержание
- •Глава 1. Элементы теории случайных процессов 2
- •Глава 2. Цепи Маркова с дискретным временем 21
- •Глава 3. Цепи Маркова с непрерывным временем 46
Статистические средние характеристики случайных процессов
Конечномерные распределения дают исчерпывающую характеристику случайного процесса. Однако во многих случаях представляют интерес более сжатые характеристики распределения, отражающие основные свойства случайного процесса. Роль таких характеристик случайных процессов играют моментные функции или статистические средние.
Средним значением случайного процесса (t) (статистическим средним) m(t) называется математическое ожидание сечения случайного процесса в момент времени t и обозначается
.
Дисперсией случайного процесса (t) называется дисперсия сечения случайного процесса в момент времени t
.
Математическое ожидание и дисперсия определяются одномерной функцией распределения F(x,t) и в общем случае зависят от t.
Функцией корреляции случайного процесса (t) называется математическое ожидание произведения сечений случайного процесса в моменты времени t1 и t2.
.
Она определяется двумерной функцией распределения F(x1,t1;x2,t2) и в общем случае зависит от двух аргументов – t1 и t2. Эту функцию R(t1,t2) называют также функцией автокорреляции.
Функцией ковариации случайного процесса (t) называется математическое ожидание произведения центрированных сечений случайного процесса в моменты времени t1 и t2.
.
Нетрудно показать, что
При t1=t2=t функция ковариации совпадает с дисперсией D(t) случайного процесса
.
Величину
называют коэффициентом корреляции случайного процесса или нормированной функцией ковариации. В общем случае коэффициент корреляции является мерой линейной зависимости двух сечений (t1) и (t2) случайного процесса, то есть он показывает с какой точностью одна из случайных величин (t1) может быть линейно выражена через другую и (t2).
Для двух случайных процессов (t) и (t) вводится понятие взаимной функции корреляции или функции кросс-корреляции
.
Совместная корреляционная функция двух случайных процессов (t) и (t) определяется как матричная функция
,
все элементы которой определены выше.
Пример 1.5. Пусть случайный процесс, определяется соотношением (t)=(U+V)/t, где U и V –независимые случайные величины, имеющие гауссовское распределение N(0;1/2). Найти математическое ожидание и дисперсию случайного процесса (t) и вероятность P{(t)<3/t} для произвольного t>0.
Решение. В силу того, что U и V гауссовские и независимые,
,
.
Так как сумма гауссовских случайных величин (U+V) имеет гауссовское распределение с параметрами a=0, 2=1, то
,
где (z) – функция Лапласа
.
Тогда искомая вероятность определяется следующим образом
.
Пример 1.6. Пусть случайный процесс (t)=(t)V, tT, где V – некоторая случайная величина, с математическим ожиданием mV и дисперсией DV, а (t) – неслучайная функция. Найти математическое ожидание m(t), дисперсию D(t) и функцию корреляции случайного процесса R(t1,t2).
Решение. Согласно определениям имеем
,
,
,
.
Стационарные случайные процессы
Случайный процесс (t) называется стационарным в узком смысле или строго стационарным, если его конечномерная функция распределения инвариантна относительно сдвига всех моментов времени ti, i=1,2,…n на одну и ту же величину .
,
.
Другими словами, статистические (вероятностные) свойства стационарного случайного процесса не зависят от начала наблюдения.
При n=1, из условия стационарности следует
.
Полагая t=-, получим
,
то есть одномерное распределение стационарного случайного процесса не зависит от времени. А одномерное распределение определяет среднее значение и дисперсию случайного процесса, следовательно, для строго стационарного случайного процесса среднее и дисперсия не зависят от времени
,
.
При n=2, из условия стационарности, получим равенство
,
полагая в котором =–t, запишем
,
то есть двумерное распределение зависит лишь от разности моментов времени, следовательно, функция корреляции стационарного случайного процесса зависит только от одного аргумента
.
Случайный процесс называется стационарным в широком смысле, если его среднее значение и дисперсия не зависят от времени, а функция корреляции зависит лишь от разности моментов времени.
Очевидно, что из стационарности в узком смысле следует стационарность в широком смысле. Обратное утверждение, вообще говоря, не верно, но для гауссовских процессов верно и обратное утверждение.