
книги из ГПНТБ / Медич Д. Статистически оптимальные линейные оценки и управление
.pdfоткуда следует |
равенство |
|
|
|
|
E[x(\)]E[x(Q)]=0 = W{\, 0). |
|
Аналогично |
получим ^'(О, 1) =Е[х(0)]Е[х(Щ |
и поэтому рассмо |
|
тренный |
процесс является некоррелированным, |
но не чисто слу |
|
чайным. |
|
|
|
Взаимная ковариационная матрица двух случайных процессов {x(t), Î Œ I } и {y(t), t^I} обозн ачается ^¥xy(t, т) и определяется для любых t и т из / соотношением
|
xVXy{t,x)=E{x{t)y'{x)\ |
(4-15) |
|||
Если выражение |
(4-15) обладает свойством |
|
|||
|
Vxy(t, |
x)=E[x{t)\E[y'{x)} |
|
(4-16) |
|
для всех |
t и т из /, то эти два случайных процесса на |
||||
зывают |
взаимно |
некоррелированными. |
Отметим, |
что |
|
здесь отсутствует |
ограничение іфх, |
используемое |
при |
||
определении некоррелированного случайного процесса. |
|||||
Заметим |
также, что следует различать эти два вида не |
||||
коррелированности. |
|
|
|
||
Читателю в качестве упражнения предлагается до |
|||||
казать, что два взаимно независимых |
случайных процес |
са также взаимно некоррелированы, но обратное утверж
дение не обязательно |
справедливо. |
|
|
||
Стационарные |
и не стационарные |
процессы |
|
||
Часто оказывается удобным разделить случайные |
|||||
процессы на два класса по признаку, |
основанному на |
||||
природе механизма, |
вызывающего случайный |
процесс. |
|||
Случайный |
процесс |
называют |
стационарным, |
если ве |
|
роятностные |
законы, которые |
управляют механизмом, |
формирующим случайный процесс, являются инвариант ными во времени. Если же этизаконы изменяются за время развития процесса, то процесс называют неста
ционарным. |
|
|
{x(t), |
tŒl} |
|
|
стационар |
||
Случайный |
процесс |
называют |
|||||||
ным в узком |
смысле, |
если для любых |
двух |
наборов из |
|||||
m моментов |
времени |
|
вида |
(*і+т, ..., tm+x) |
и |
[h, ... |
|||
.... tm), принадлежащих |
/, где m — произвольное |
целое |
|||||||
число и г —const, справедливо |
соотношение |
|
|
||||||
F(xl; |
4-х;...; |
хт, |
tm-\-z) |
= |
|
|
|||
|
= F{x\ |
t |
х |
т , |
tm), |
|
|
(4-17) |
130
где я1 , ..., хт— произвольные я-векторы. Аналогичные определения с помощью плотности распределения и ха
рактеристической функции |
очевидны. |
|
f(x, |
t)=f(x, |
|
Если равенство |
(4-17) |
выполняется, |
то |
||
0 ) = / ( х ) и |
|
|
|
|
|
|
оо |
со |
|
|
|
x (t) — Е[х(t)]= |
|
^ xf (х)сіх = |
x =• const; |
|
|
|
—ОО |
— 0 0 |
|
|
|
Р (t) =Е{[х |
(t) - |
x (t)} [x (t) - x |
(t)}'} |
= |
|
оооо
= ^ . . . ^ (x — x) (x — x)' f (x) dx = P = const.
—оо |
— 0 0 |
, |
|
|
|
|
|
|
|
|
|
Кроме |
того, /(x1 , |
ti, |
x2, |
t2)=f(xi, |
|
0; |
x2 , |
t2—/і), |
так что |
||
|
|
|
|
00 |
00 |
|
|
|
|
|
|
|
Pit,, |
g = |
|
J... |
j V - |
* |
) |
( ^ - |
* |
) X |
|
|
|
|
— 00 |
— 0 0 |
|
|
|
|
|
|
|
X / ( - * ' . 0; |
x \ |
tt |
— tùdxldxt |
= |
P(0, |
t2 |
— |
tt). |
Иными словами, корреляционная функция зависит только от разности времен t2—1\. Обычно это записыва ют следующим образом:
|
P(tu |
ti)=P(k—U). |
|
|
|
|
В случае, если 5J(/)=const и P{t\, |
h) |
= P{i2—ti), |
слу |
|||
чайный процесс {x(t), |
Î Œ I } |
называют |
стационарным |
|||
в широком |
смысле. |
|
|
|
|
|
Ясно, |
что стационарный в |
узком |
смысле |
процесс |
является также стационарным в широком смысле, хотя обратное утверждение в общем случае неверно.
Из уравнения (4-13) следует, что
W(t, x)=P{t, |
x)+x(t)x'(x). |
Для стационарного в широком смысле процесса |
|
справедливы соотношения x(t) |
= х(х) —х и |
P(t, r)=P(t-x),
откуда следует, что
W(t, x)=P(t—x)+xx/.
Проиллюстрируем введенные здесь понятия на про стом примере.
9* |
131 |
Пример |
4-6. Пусть (x(i), |
r^O}—скалярный случайный процесс, |
||||||
описываемый |
дифференциальным |
уравнением х ——ax + w, где |
а — по |
|||||
ложительная |
постоянная, a |
w — случайная величина с нулевым |
сред |
|||||
ним и |
постоянной |
дисперсией |
гг2 ю>0, независимая от |
начального |
||||
условия |
х(0). |
Для |
простоты |
положим |
х(0)=0. |
|
|
|
Любая выборочная функция |
процесса для г^О имеет |
вид |
|
w
я(і) = —(1-е-**у
Ясно, что X ( t ) =0 и
2
Кроме того,
поэтому процесс является нестационарным. Однако для достаточно больших ty и t2
и процесс становится стационарным в широком смысле в «установив шемся состоянии».
Гауссовский марковский случайный процесс
Теперь сосредоточим внимание на описании важно го и полезного для приложений типа случайных процес сов, называемого гауссовским марковским процессом.
Этот процесс занимает примерно такое же место в тео рии случайных процессов, какое занимает гауссовское распределение в теории вероятностей. Комментарии § 3-5 в пользу практической применимости этого распре деления в равной мере распространяются и на гауссов-
ские марковские случайные |
процессы. |
|
|
|
|||||||
Вначале введем определение гауссовского или нор |
|||||||||||
мального случайного |
процесса. |
|
|
|
|
|
|||||
Случайный |
процесс |
{x(t), |
É Œ I } называется |
гауссов |
|||||||
ским |
или |
нормальным, |
если |
для |
m |
любых |
моментов |
вре |
|||
мени |
tu |
..., tm |
из I, |
где |
m — произвольное |
целое |
|
число, |
|||
m случайных |
п-векторов |
x(ti), |
..., |
x(tm) |
имеют |
совмест |
|||||
ное |
гауссовское |
распределение. |
|
|
|
|
|
||||
Для |
совместной |
характеристической |
функции |
это |
|||||||
определение требует, чтобы |
|
|
|
|
|
|
|||||
|
|
|
( |
m |
|
|
|
m m |
\ |
|
|
132 |
/ |
xi's1—Y |
S I ' P I K S K J - ( 4 - 1 8 ) |
где s1, ..., sm — произвольные я-векторьі; |
|
||
x'' = £|[x(/i)], і= 1, |
..., |
m; |
(4-19) |
Р^ = Е{[х (U) —xifx |
(/ft) |
—xk]'}. |
(4-20) |
Совместная плотность распределения вероятностей имеет вид
V (2п)™\Р* - X
Х е хр |
Y{X*~X*)' |
Р*-1(х*-х*) |
(4-21) |
где x* — nm-мерныи вектор вида
|
Р* = \\РЩ; |
I, Ä = l , |
., яг, |
|
|
— матрица |
размера птхпт, |
a Pih |
определяется |
из |
|
уравнения (4-20). |
|
|
|
|
|
Описание процесса с помощью плотности распреде |
|||||
ления (4-21), |
разумеется, |
имеет |
смысл, только если |
ма |
трица Р* положительно определена. Если же Р* лишь неотрицательно определена, то при описании следует использовать уравнение (4-18).
В любом случае вероятностный закон гауссовского случайного процесса полностью определяется его мате
матическим |
ожиданием x(t) |
для любого tŒl |
и корреля |
||||||||||
ционной функцией P(t, |
х) для любых t и т из /. |
|
|
||||||||||
Частным |
видом |
гауссовского |
случайного |
процесса, |
|||||||||
с которым |
мы |
будем |
постоянно |
встречаться |
впоследст |
||||||||
вии, является гауссовский белый шум. |
|
|
|
, |
|||||||||
Случайный |
процесс |
{х(і), |
/с=/} |
называется |
|
гауссов- |
|||||||
ским |
белым |
шумом, |
если для |
любых |
m |
моментов |
време |
||||||
ни ti, |
..., tm |
из |
I, где |
m — любое |
целое |
число, |
m |
случай |
|||||
ных п-векторов x(ti), |
|
..., x(tm) |
являются |
независимыми |
|||||||||
гауссовскими |
случайными |
векторами. |
|
|
|
|
Прилагательное «белый» используется здесь по тра диции вместо понятия чистой случайности [Л. 4-3—4-5].
Этот термин возникает вследствие того, что стацио нарный чисто случайный процесс имеет постоянную
133
спектральную плотность в широком диапазоне частот точно так же, как белый свет.
Как следствие чистой случайности, совместная харак теристическая функция гауссовского белого шума имеет вид:
|
m |
|
|
<Р (s1, |
sm ) = n |
<Pi(s''), |
|
где |
sl- sv |
|
|
cpi(s!') = exp jxi's* |
Piisi |
1,. ., m. |
для произвольных n-векторов s1, ..., sm ; где х{ и Р " , і =
=1, ..., m определяются уравнениями (4-19) и (4-20). Корреляционная функция гауссовского белого шума
P(t, т) = 0 для |
всех t и т из /, где |
Іфх. |
|
|
|
|
|
||||||||
Ясно, что гауссовский белый шум полностью описы |
|||||||||||||||
вается его математическим ожиданием x(t) |
и |
корреля |
|||||||||||||
ционной матрицей |
P(t) |
для всех |
éŒl. |
|
|
|
|
|
|||||||
В дальнейшем |
для |
удобства |
гауссовский |
белый шум |
|||||||||||
с дискретным |
временем |
называется |
гауссовской |
|
белой |
||||||||||
последовательностью, |
|
а гауссовский белый |
шум |
с непре |
|||||||||||
рывным временем — просто |
|
гауссовским |
|
белым |
|
шумом. |
|||||||||
Теперь рассмотрим формальное определение марков |
|||||||||||||||
ского |
процесса. Случайный |
|
процесс |
[x(t), |
É Œ I } |
называ |
|||||||||
ют марковским, |
если |
для |
любых m |
|
моментов |
времени |
|||||||||
t\<h< |
. . . < / т о из |
/, |
где |
m |
— любое |
целое |
число, |
услов |
|||||||
ная функция распределения вероятностей x(tm) |
при |
||||||||||||||
условии, что известны значения x(ti), |
|
•.., |
x(tm-i), |
|
имеет |
||||||||||
следующее свойство: |
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
P[x{tm)<xm\x(tm.l) |
|
|
= xm-1,..., |
|
x(t,) |
= |
x1] |
|
= |
|||||
|
= Р[х (tm) |
<xm\x{tm^) |
|
= |
X*-Ч |
|
|
|
|||||||
для произвольных /г-векторов |
|
х |
1 , х |
т . |
|
|
|
|
|||||||
В терминах условной плотности распределения это |
|||||||||||||||
означает, что |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
f { х т \ х |
т ' \ x l |
) |
= |
|
f(хт\X"1-1) |
|
|
|
||||||
для произвольных /г-векторов |
|
л : 1 , х |
т . |
|
|
|
|
||||||||
Это равенство можно также записать в виде |
|
|
|||||||||||||
|
|
f[x(tm) |
\x(tm-i), |
|
|
..., |
X(ti)] |
= |
|
|
|
|
|||
|
|
|
= |
f[x(tm) |
|
\ |
x(tm-i)l |
|
|
|
|
|
|
134
В силу определения ясно, что если считать tm~i теку щим временем, а tm-г, ti — прошедшим, то вероят ностный закон, описывающий поведение процесса в бу дущем, т. е. во время tm, зависит только от текущего значения процесса и совершенно не зависит от его по ведения в прошлом. Это свойство называют «марко востью».
Марковский |
процесс описывается |
функцией |
распре |
||||||
деления |
вероятностей |
перехода |
F[x(t) |
|х(т) = £], ко |
|||||
торая |
представляет |
собой условную |
вероятность |
того, |
|||||
что |
x(t)^fe, |
где |
£— любой n-вектор, при |
условии |
|||||
x(r)—Z,. |
Здесь |
£ — фиксированный л-вектор, а. t |
и т — |
||||||
элементы |
множества |
индексов |
процесса |
при |
t>x. |
Можно также описать процесс с помощью плотности
распределения |
вероятностей |
перехода, обозначаемой |
|||||||
f[x(t)\х(х)], |
|
в предположении, что она существует. |
|||||||
|
Теперь |
рассмотрим |
специальный |
способ |
описания |
||||
марковского |
процесса. |
Пусть |
{x(t), |
tŒl} — марковский |
|||||
процесс, плотность |
распределения вероятностей |
перехо |
|||||||
да |
которого |
f[x(t) |
\ х(х)] |
определена |
для любых t и х |
||||
из |
I , t>x. |
Один |
из способов |
описания процесса заклю |
чается в определении совместной плотности распределе
ния m случайных п-векторов x(ti), |
|
|
x(tm) |
для произ |
|||||||||
вольного целого m, любых m моментов времени |
h<.h<.- |
• • |
|||||||||||
<.. |
.<tm |
из / и любых n-векторов |
х1, |
х™. |
|
|
|
||||||
|
Пусть |
іі<іг<.. |
.<tm |
— моменты |
времени |
из |
/, |
где |
|||||
m — любое целое число. Тогда |
по формуле |
Байеса |
|
||||||||||
f(xm,..., |
x1) = f ( x m \ x m |
- i |
x')f{xm~\..., |
|
X1). |
(4-22) |
|||||||
|
Однако поскольку процесс марковский, справедливо |
||||||||||||
равенство |
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
f ( x m \ x m - \ . . . , |
|
|
xl)^=f{xm\xm-1). |
|
|
|
|
|||
|
Это |
означает, |
что уравнение |
(4-22) |
можно |
привести |
|||||||
к виду |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
f |
( x m , x 1 |
) = f(xm\xm-1)f(xm-t,..., |
|
|
|
X1) |
|
(4-23) |
|||
|
Вновь используя формулу Байеса и марковость про |
||||||||||||
цесса, |
получаем: |
|
|
|
|
|
|
|
|
|
|
||
/ (xm |
~1 |
;... |
; х1) = |
}{хт~1\хт-1,..., |
|
х1 ) / (х"1 "2 ,1 ..., |
х') = |
|
|||||
|
|
|
==/(хт-х\хт-2){{хт'\ |
|
|
|
.... X 1 ) . |
|
|
|
|
135
Подстановка полученного результата в уравнение (4-23) приводит к соотношению
f(xm,..., |
x1) |
= f(xm\xm-J)f{xm-l\xm-t)f(xm-2,..., |
|
X1). |
Повторяя эту процедуру, получаем: |
|
|||
f(xm, |
x1) |
= f(xm\Xm-1)f(xm-l\xm-i)... |
fix'lx1) |
fix1). |
|
|
|
|
(4-24) |
Все сомножители в правой части уравнения (4-24) |
||||
известны, |
кроме f(xl) =f [x(tt)], |
поскольку плотность |
||
распределения вероятностей перехода f[x(t)\x(x)] |
опре |
|||
делена для всех t, и т из /, t>x. |
Следовательно, |
совмест |
ная плотность распределения процесса полностью опре
делена, |
если определена плотность |
распределения |
f[x(ti)]. |
В частности, если t\ — начальное |
время множе |
ства индексов /, то марковский процесс полностью опре деляется плотностью распределения вероятностей про цесса в начальный момент времени и плотностью рас пределения вероятностей перехода.
Ради простоты в выражениях для плотности распре деления опущена зависимость от времени. Это не озна
чает, |
например, что условная |
плотность |
распределения |
|||
x{tm) |
относительно |
x\tm~\) |
совпадает с плотностью |
рас |
||
пределения x(tm-i) |
относительно x(tm-2) |
и т. д. |
плот |
|||
Кроме того, предполагается, |
что все указанные |
|||||
ности |
распределения существуют. Разумеется, все рас |
суждения можно было также провести, используя функ ции распределения либо характеристические функции.
Теперь приведем два важнейших свойства марков ских процессов.
1. Пусть {*(/), tel}— марковский процесс. Предпо ложим, что /і — подмножество множества /. Тогда про цесс {x(t), teil} также марковский. Доказательство этого свойства предоставляется читателю в качестве
упражнения. |
|
|
|
|
|
|
|
|
|
|
2. Марковский процесс |
является |
также марковским |
||||||||
в обратном времени. Иными словами, для tm<tm+i<- |
• • |
|||||||||
.. .<tm+h |
из I, |
где m и k — два любых |
целых |
числа, |
||||||
имеем: |
/ (хт |
I х т |
|
|
хт+ |
к) = f(xm\ |
хт+1). |
|
|
|
|
+ |
1 |
|
|
||||||
Чтобы |
доказать |
|
это |
свойство, |
используем |
сначала |
||||
формулу |
Байеса |
|
|
|
|
|
|
|
|
|
Д ѵт |
I Ym+ |
1 |
|
Wn+ k\ • |
|
|
|
|
|
|
|
I я |
? |
Л |
I |
|
f ( % m + 1 , .... |
Xm+h) |
|
|
136
Переставляя аргументы совместной плотности рас пределения и используя марковость процесса, получаем:
f{xm, |
хт+1,..., |
|
xm+h) |
= |
f (хт+'\ |
хт+к~\..., |
|
хт) |
= |
|
|
= |
|
|
|
f{xm+h\xm+k-1)(xm+1\xm)f(xm) |
|
||||
в силу уравнения |
(4-24). |
|
|
|
|
|
|
|||
Аналогично |
|
|
|
|
|
|
|
|
|
|
f { x |
m + \ x m |
+ |
K ) |
= f{xm+k, |
х т + к |
- \ х |
т + 1 |
) |
= |
|
= |
f (хт+ |
к |
I хт+ |
"" ') |
• •. / (хт+ |
21 хт+ |
') I (хт+ |
'). |
|
|
Разделив эти два соотношения почленно друг на дру |
||||||||||
га и сократив подобные члены, получим: |
|
|
|
|||||||
f(xm\xm+1,..., |
|
x ^ t ) - f H j l ^ ) f W i |
|
|
||||||
Используя еще раз формулу Байеса, имеем: |
|
|
||||||||
|
f (Хт+ |
|
1 j X*") f (хт) |
f ( |
x m + ' , x |
m ) |
_ |
|
|
|
|
|
fix™*1) |
|
~~ |
f(xm+') |
|
~~ |
|
|
|
|
|
_f(x*», |
*"+•)_, |
• |
+ |
|
|
|
что и требовалось доказать.
Понятие марковского процесса может быть легко расширено на так называемые марковские процессы высших порядков. Например, рассмотрим случайный про
цесс |
{x(t), |
t^I) |
для любых |
m моментов |
времени |
t\< |
||||
<tz<.. |
.<tm, |
где |
m — произвольное |
целое |
число, |
обла |
||||
дающий следующим |
свойством: |
|
|
|
|
|
||||
|
P[x(tm)<xm\x{tm_l) |
= |
xm-1,.... |
x{tl) |
= |
xx\ |
= |
|
||
= P[x{lm)<xm\x{tm_l) |
= |
xm-\ |
x{tm^) = xm'% |
|||||||
при любых |
я-векторах х\ ..., |
хт. |
Такой |
процесс |
назы |
|||||
вается марковским |
процессом |
второго порядка. |
Опреде |
|||||||
ление марковского процесса k-ro |
порядка |
для |
k^3 |
|||||||
очевидно. |
|
|
|
|
|
|
|
|
|
Впоследствии рассматриваются в основном марков ские процессы первого порядка, которые, как и прежде,
будут |
называться просто марковскими. Однако при изу |
|
чении |
оптимального сглаживания |
мы также встретимся |
с марковскими процессами второго |
порядка. |
137
По аналогий с определением марковского процесса марковский процесс второго порядка описывается своей
функцией распределения |
вероятностей перехода F [x (t) ^ |
||||||||
Х(ХІ) |
—t,1, x(%2) = tsz\, |
где І — произвольный |
|
«-вектор; |
|||||
и £2 |
— два |
заданных |
«-вектора; |
t, х\, хг^І, |
причем |
||||
t>Xi>xz. |
Подразумевается, |
что соответствующая |
плот |
||||||
ность распределения |
вероятностей |
перехода |
имеет вид: |
||||||
|
|
f[x(t,)\x(x,), |
х(х2)]. |
|
|
|
|||
Два свойства марковских процессов, приведенные |
|||||||||
выше, также |
имеют |
место и для марковских |
процессов |
||||||
второго |
порядка. |
|
|
|
|
|
|
|
|
В заключение параграфа |
проиллюстрируем |
на |
при |
мерах понятия гауссовского марковского процесса и гауссовского марковского процесса второго порядка. Определения этих процессов тривиальны.
Для удобства дальнейшего изложения назовем гаус-
совский |
марковский |
процесс |
с |
дискретным |
временем |
|||||
гауссовской марковской |
последовательностью |
и |
оставим |
|||||||
термин гауссовский |
марковский |
процесс |
только для гаус |
|||||||
совского |
марковского |
процесса |
с |
непрерывным |
време |
|||||
нем. Так же будем |
поступать в случае |
марковского про |
||||||||
цесса второго порядка. |
|
|
|
|
|
|
|
|||
Ясно, что гауссовский характер |
этих процессов |
опре |
||||||||
деляет |
распределение |
реализаций |
процессов, |
в |
точке, |
|||||
а марковость управляет развитием, процесса |
во времени. |
Отметим, что два свойства марковских процессов первого и второго порядка, указанные выше, очевидно, выполняются, если эти процессы являются также гауссовскими.
Гауссовская марковская последовательность, множе ство индексов которой имеет вид /={/г:/г = 0, 1, . . . } , полностью определена, если заданы гауссовские плотно сти распределения вероятностей Я*(0)] и f[x{k + \) \x{k)\,
причем последняя — для |
всех k. По аналогии с |
уравне |
||
нием (4-24) |
можно записать: |
! |
|
|
f[x{k+\), |
|
x(0)]=nx(k+l)\x(k)]f[x(k)\x(k-\)]... |
||
|
. . . / И 1 ) І * ( 0 ) Ш * ( 0 ) ] |
|
(4-25) |
|
для любого |
Это выражение определяет совместную |
|||
плотность распределения |
вероятностей |
процесса. |
||
Наконец, |
заметим, что гауссовский |
белый шум как |
||
с дискретным, так и с непрерывным временем, |
можно |
138
рассматривать как гауссовский марковский процесс, для которого f[x(t) \x(%)] — f[x(t)] при любых і и т из /, / > т .
Пример 4-7. Рассмотрим скалярный процесс {x(t), t^O}, описы ваемый дифференциальным уравнением
|
t |
+ |
где х(0)—гауссовская |
случайная |
величина с нулевым средним и |
дисперсией о 2 0 > 0 . |
|
|
Интегрируя уравнение процесса, получаем: |
|
|
|
|
|
|
* |
( 0 = |
Т+1 |
|
|
|
|
|
|
||
для любого |
<^0. Так как х(0) |
имеет гауссовское распределение, для |
||||||||||||||
любых m |
моментов |
времени |
tt, |
..., |
tm |
из |
/=(0, |
оо) |
функция |
|||||||
f(xl, |
..., xm) |
является |
гауссовской |
плотностью |
распределения |
вероят |
||||||||||
ностей. |
|
|
|
|
|
t2>ti^0 |
|
|
|
|
|
|
|
|||
Легко показать, что для |
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
fi |
+ 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
x (^2) — / 2 |
-|- |
1 * |
|
|
|
|
|
|||
В результате для любого упорядоченного |
набора моментов време |
|||||||||||||||
ни tm, |
• • -, ti^[0, |
0 0 ) |
справедливо |
соотношение |
|
|
|
|||||||||
|
|
|
|
j(xm\xm-1 |
|
|
|
|
xl)=f(xm\xm-i). |
|
|
|
||||
Следовательно, |
процесс — гауссовский |
марковский. |
|
|
|
|||||||||||
Известно, что |
|
|
|
|
|
|
|
|
_ _ïL |
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
f[x(0)] = |
/[jc, 0] = |
- |
_ |
« |
24Q |
|
|
|
|||||
|
|
|
— |
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
V 2л <з0 |
|
|
|
|
|
|
Определим |
|
плотность |
распределения |
вероятностей |
перехода |
|||||||||||
![x(t) |
\x(x)]=f(x, |
|
t; x, т). Так как процесс |
{x(t), |
t^Q} |
является гаус |
||||||||||
совский марковским, известно, что f(x, |
t\x, |
т)—гауссовская |
плот |
|||||||||||||
ность распределения и поэтому она полностью определяется |
своими |
|||||||||||||||
условными математическим ожиданием и дисперсией. |
|
|
|
|||||||||||||
Так как |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
для />т, то |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Е[х |
( 0 I * W ] = 7 ^ t * |
W ; |
|
|
|
|||||||
£ |
[{x ( 0 - |
£ |
[x (О |
I x (x)]}2 ] = |
E J [x |
|
|
( Х ) |
Г }= |
°- |
139