
- •1. Случайные процессы
- •1.1. Функция распределения случайного процесса
- •1.2. Моментные функции случайного процесса
- •1.3. Стационарный случайный процесс
- •1.4. Характеристическая функция случайного процесса
- •1.5. Дифференцирование и интегрирование случайного процесса
- •1.6. Эргодические случайные процессы
- •1.7. Спектральная функция стационарного
- •2. Модели случайных процессов
- •2.1. Детерминированный процесс как случайный процесс
- •2.2 Белый шум
- •2.3 Нормальный случайный процесс
- •2.4 Каноническое разложение случайного процесса
- •2.5 Квазидетерменированный случайный процесс
- •2.6 Узкополосный случайный процесс
- •2.7 Марковские процессы
- •2.7.1 Непрерывный марковский процесс
- •2.7.2. Уравнения Колмогорова-Фоккера-Планка
- •6.7.3 Винеровский процесс
- •2.7.4. Марковские цепи
- •2.7.5 Процесс Пуассона. Дробовой эффект
- •3. Преобразование случайных процессов
2.7.2. Уравнения Колмогорова-Фоккера-Планка
Ввиду
того, что в дальнейшем необходимо будет
переходить к
пределам, обозначим
,
,
(Рис. 2.6), [1], [10].
Обобщенные уравнения Маркова в этих обозначениях примет вид
Предполагаем,
что рассматриваемый процесс
непрерывный, т.е. с малой вероятностью
процесс
может получить заметные приращения за
малый промежуток времени. Непрерывность
марковского процесса понимается в
усиленном виде:
(2.47)
для
любого постоянного
.
Сделаем
предположения - для любого постоянного
существуют пределы
(2.48)
(2.49)
Используя свойство функции распределения, запишем
.
Учтем условие (2.47) и рассмотрим отношение
(2.50)
Разложим
функцию
в ряд Тейлора в точке
и ограничимся первыми тремя членами
разложения:
.
После
подстановки разложения функции
в (2.50) имеем
.
(2.51)
Перейдем
к пределу при
.
Первое слагаемое в последнем выражении
в пределе равно нулю вследствие (2.47).
Второе слагаемое, в силу (2.48), равно
,
в третьем слагаемом пренебрежем членами
второго порядка малости и оно будет
равно, в силу (2.48),
.
Из этих вычислений заключаем, что предел
левой части (2.51) существует, т.е.
.
Объединяя все полученные результаты, запишем дифференциальное уравнение
,
(2.52)
которое называется первым уравнение Колмогорова.
Запишем без доказательства второе уравнение Колмогорова
,
(2.53)
где
,
(2.54)
(2.55)
Первое
уравнение Колмогорова называют уравнением
обращенным в прошлое.
Переменными будут
,
переменные
вводятся через начальное условие
.
Второе
уравнение Колмогорова называют
уравнением,
обращенным в будущее.
В этом случае переменными будут
,
а переменные
вводятся через начальное условие
[1].
Второе уравнение Колмогорова называют
также уравнением
Фоккера-Планка.
Предполагается,
что коэффициенты
,
известны из физической постановки
задачи и требуется найти условные
плотности распределения. Оба уравнения
Колмогорова принадлежат к параболическому
типу дифференциальных уравнений.
Коэффициент
характеризует среднюю скорость изменения
процесса
,
а коэффициент
пропорционален скорости изменения
дисперсии процесса
.
Рассмотрим
частный случай второго уравнения
Колмогорова - коэффициенты
и
не зависят ни от координаты
,
ни от времени
,
т.е.
.
Тогда уравнение (2.53)
будет иметь вид
(2.56)
Решением уравнения (2.56) будет
.
(2.57)
Как
видно из (2.57) значения координаты
диффузионного процесса
подчинены нормальному закону с дисперсией
и математическим ожиданием
.
Величины
и
называются коэффициентамисноса
и диффузии,
соответственно. Они показывают изменение
положения среднего значения величины
и величину разброса значения
около среднего значения со временем
относительно начала отсчета
.
6.7.3 Винеровский процесс
Винеровским
процессом
называется случайный процесс на выходе
идеального интегратора (Рис. 2.7), когда
на его вход подается нормальный белый
шум
с параметрами
,
.
(2.58)
Ввиду
того, что операция интегрирования
является линейной операцией, значения
процесса
будут распределены по нормальному
закону с математическим ожиданием
и ковариационной функцией
.
В
зависимости от того
или
будут разные значения ковариационной
функции. Объединяя оба возможных
значения, запишем
.
(2.59)
Как видно из (2.59), значение ковариационной функции зависит от значений моментов отсчета.
Определим
дисперсию случайного процесса
в момент времени
как
,
т.е.
дисперсия процесса
зависит от момента отсчета.
Таким образом, одномерная плотность распределения будет равна
.
Для
сравнения построим плотность распределения
для
и для
,
считая, что спектральная плотность
мощности
остается постоянной, а меняется время,
Рис. 2.8. Как видно из рисунка, с увеличением
времени наблюдения
плотность вероятности становится
пологой, т.е. увеличивается разброс
значений процесса около математического
ожидания.
Запишем
двумерную плотность распределения
процесса
.
Для этого вычислим нормированную
ковариационную матрицу
.
Так как
,
то элементы ковариационной матрицы
имеют вид
,
(2.60)
где
- дисперсия случайного процесса
в момент времени
относительно начала отсчета.
Формулу (2.60) можно записать в другой форме
Ковариационная матрица запишется как
.
Двумерная плотность распределения равна
Винеровский
процесс будет также марковским. Рассмотрим
три момента времени
и запишем трехмерную плотность вероятности
Используя равенство (2.58), запишем
.
Из
последней формулы видно, значения
процесса в момент
не зависит от момента времени
и поэтому можно записать
.
(2.61)
Формулу (2.61) можно обобщить и получить формулу (2.41).