- •Тема 1. Основные понятия теории случайных процессов 68
- •Понятие подмножества. Свойства подмножеств.
- •Операции над множествами.
- •Дистрибутивные законы.
- •Законы Моргана.
- •Конечные множества и их элементы.
- •Понятие алгебры множеств σ – алгебры.
- •Борелевские множества. Борелевскаяσ– алгебра.
- •Выбор с возвращением.
- •Выборка без возвращения.
- •Размещения с повторениями.
- •Теория вероятностей. События и их классификация.
- •Операции над событиями.
- •Понятие вероятности.
- •Вечерняя электричка.
- •Геометрический подход.
- •Задача Бюффона.
- •Аксиоматический подход к вероятности. Вероятностное пространство. Аксиомы вероятности Колмогорова.
- •Вероятности, вытекающие из аксиом.
- •Задача о совпадениях.
- •Условная вероятность. Правило умножения вероятностей.
- •Независимость событий.
- •Задача о наилучшем выборе.
- •Расчет работоспособности цепей
- •Формула полной вероятности.
- •Задача о разорении игрока.
- •Формула вероятностей гипотез. (Формула Байеса)
- •Случайные величины.
- •Дискретные случайные величины.
- •Свойства функции распределения.
- •Биноминальное распределение (Независимые испытания по схеме Бернулли).
- •Асимптотическое представление формулы Бернулли.
- •Теорема (формула) Пуассона.
- •Локальная теорема Муавра-Лапласа.
- •Интегральная теорема Муавра-Лапласа.
- •Независимые случайные величины
- •Операции над случайными величинами:
- •Математическое ожидание
- •Свойства математического ожидания
- •Функции случайного аргумента и их мат. Ожидание.
- •Дисперсия
- •Свойства дисперсии
- •Свойства условных вероятностей и плотностей вероятностей
- •Условное математическое ожидание
- •Корреляционный момент (корреляция) двух случайных величин
- •Свойства корреляционного момента
- •Коэффициент корреляции и его свойства
- •Свойства
- •Уравнения Регрессии
- •Характеристики
- •Неравенство Чебышева
- •Нормальное распределение с параметрами (а;σ)
- •Основные свойства кривой Гаусса
- •Расчет доверительных интервалов
- •Некоторые важнейшие распределения связанные с нормальным. - распределение.
- •Распределение Стьюдента (t– распределение)
- •Распределение Фишера-Снедекора (f– распределение).
- •Закон больших чисел.
- •Теорема Чебышева.
- •Теорема Бернулли.
- •1. Биноминальное распределение.
- •2. Распределение Пуассона.
- •3. Геометрическое распределение.
- •Введение в теорию случайных процессов тема 1. Основные понятия теории случайных процессов
- •1.1. Определение случайного процесса. Основные подходы к заданию случайных процессов. Понятие реализации и сечения. Элементарные случайные процессы.
- •1.2. Некоторые классы и виды случайных процессов
- •2.2. Математическое ожидание и дисперсия случайного процесса. Среднеквадратическое отклонение
- •2.3. Корреляционная функция случайного процесса и ее свойства. Нормированная корреляционная функция
- •2.4. Взаимная корреляционная функция и нормированная взаимная корреляционная функция двух случайных процессов
- •2.5 Вероятностные характеристики суммы двух случайных величин
- •Тема 3. Элементы случайного анализа
- •3.1. Сходимость и непрерывность
- •1. Классические виды сходимости
- •2. Сходимость по вероятности
- •3. Сходимость в среднем в степени p1
- •3.3. Интеграл от случайного процесса и его свойства
- •ТеМа 4. Канонические разложения случайных процессов
- •4.1. Понятие канонического разложения случайного процесса
- •4.2. Понятие обобщенной функции. Дельта-функция Дирака. Интегральное каноническое представление случайных процессов.
- •4.3. Линейные и нелинейные преобразования случайных процессов
- •Глава 5. Стационарные cлучайные процессы
- •5.1. Понятие стационарного случайного процесса. Стационарность в узком и широком смыслах
- •5.2 Свойства вероятностных характеристик стационарного случайного процесса
- •5.3. Стационарно связанные случайные процессы. Производная и интеграл от стационарного случайного процесса
- •5.4. Эргодические стационарные случайные процессы и их характеристики
- •Эргодическая теорема Биркгофа-Хинчина
- •Для ссп с непрерывным временем, для ссп с дискретным временем.
- •Достаточные условия эргодичности
1. Биноминальное распределение.
Количество испытаний nс вероятностью успехаp, неуспехаq.
2. Распределение Пуассона.
3. Геометрическое распределение.
Факториальным моментом порядка кслучайной величиныназывается:
Теорема:
1. Биноминальное распределение.
2. Распределение Пуассона.
3. Геометрическое распределение.
Теорема о мультипликативном свойстве производящих функций.
- независимые целочисленные случайные величины, имеющие производящие функции, то
Доказательство:
Пример:- биноминальное распределение случайной величины
Характеристические функции.
Пусть действительные случайные величины с конечными, тогда случайная величинаназывается комплексной случайной величиной, имеющей математическое ожидание.
Все основные свойства математических ожиданий переносятся и на случай комплексных случайных величин.
Определение: Характеристической функцией случайной величины называется функция
Если известна функция распределения или, то явная запись будет
В случае дискретных случайных величин
Свойства характеристической функции:
1)
2) Характеристическая функция равномерно непрерывна по аргументу
3) Если случайные величины связаны минимальным соотношением,
где , то
Доказательство:
4)
5) Мультипликативное свойство характеристической функции.
Если случайные величины - независимы, то
Доказательство:
6) Пусть , тогда характеристическая функция дифференцируема до порядкаnвключительно, выполняется следующее соотношение
Доказательство:
7)Если дискретная целочисленная случайная величина, то ее характеристическая и производящая функции связанны следующей формулой:
Примеры характеристических функций.
1. Биноминальное распределение. n – экспериментов,р– вероятность успеха.
2. Распределение Пуассона.
3. Геометрическое распределение.
4.
5. Нормальное распределение.
а) Нормальное распределение (0; 1)
б) Произвольное нормальное распределение
, если- нормально распределенная случайная величина с параметрами (0;1),
- нормально распределенная случайная величина с параметрами
Замечание о сумме нормальных распределений:
Сумма нормальных распределений есть нормальное распределение случайных величин.
6. Равномерное распределение на отрезке
Если рассматривается симметрический отрезок [-l;l]
Теорема: Любой характеристической функции соответствует и при том единственная функция распределения (плотность распределения).
Введение в теорию случайных процессов тема 1. Основные понятия теории случайных процессов
1.1. Определение случайного процесса. Основные подходы к заданию случайных процессов. Понятие реализации и сечения. Элементарные случайные процессы.
Случайным (стохастическим, вероятностным) процессом называется функция действительного переменного t, значениями которой являются соответствующие случайные величиныX(t).
В теории случайных процессов tтрактуется как время, принимающее значения из некоторого подмножества Т множества действительных чисел (tT,TR).
В рамках классического математического анализа под функцией y=f(t) понимается такой тип зависимости переменных величинtиy, когда конкретному числовому значению аргументаtсоответствует и притом единственное числовое значение функцииy. Для случайных процессов ситуация принципиально иная: задание конкретного аргументаtприводит к появлению случайной величиныX(t) с известным законом распределения (если это дискретная случайная величина) или с заданной плотностью распределения (если это непрерывная случайная величина). Другими словами, исследуемая характеристика в каждый момент времени носит случайный характер с неслучайным распределением.
Значения, которые принимает обычная функция y=f(t) в каждый момент времени, полностью определяет структуру и свойства этой функции. Для случайных процессов дело обстоит иным образом: здесь совершенно не достаточно знать распределение случайной величиныX(t) при каждом значенииt, необходима информация об ожидаемых изменениях и их вероятностях, то есть информация о степени зависимости предстоящего значения случайного процесса от его предыстории.
Наиболее общий подход в описании случайных процессов состоит в задании всех его многомерных распределений, когда определена вероятность одновременного выполнения следующих событий:
t1, t2,…,tnT, nN: X(ti)≤xi; i=1,2,…,n;
F(t1;t2;…;tn;x1;x2;…;xn)=P(X(t1)≤x1; X(t2)≤x2;…; X(tn)≤xn).
Такой способ описания случайных процессов универсален, но весьма громоздок. Для получения существенных результатов выделяют наиболее важные частные случаи, допускающие применение более совершенного аналитического аппарата. В частности, удобно рассматривать случайный процессX(t, ω) как функцию двух переменных: tT, ωΩ, которая при любом фиксированном значенииtTстановится случайной величиной, определенной на вероятностном пространстве (Ω,A,P), где Ω - непустое множество элементарных событий ω;A- σ-алгебра подмножеств множества Ω, то есть множество событий;P- вероятностная мера, определенная наA.
Неслучайная числовая функция x(t)=X(t, ω0) называется реализацией (траекторией) случайного процесса X(t, ω).
Сечением случайного процесса X(t, ω) называется случайная величина, которая соответствует значению t=t0.
Если аргумент tпринимает все действительные значения или все значения из некоторого интервалаTдействительной оси, то говорят о случайном процессес непрерывным временем. Еслиtпринимает только фиксированные значения, то говорят о случайном процессес дискретным временем.
Если сечение случайного процесса - дискретная случайная величина, то такой процесс называется процессом с дискретными состояниями. Если же любое сечение - непрерывная случайная величина, то случайный процесс называетсяпроцессом с непрерывными состояниями.
В общем случае задать случайный процесс аналитически невозможно. Исключение составляют так называемые элементарные случайные процессы, вид которых известен, а случайные величины входят как параметры:
X(t)=Х(t,A1,…,An), гдеAi,i=1,…,n- произвольные случайные величины с конкретным распределением.