- •1.Случайные величины.Распределение вероятностей.Аксиома измерений.
- •2. Закон больших чисел. Теорема Бернулли
- •7. Пуассоновский импульсный процесс
- •8.Случайные функции: их задание, сходимость, непрерывность и стационарность.
- •9. Моменты случайных функций
- •10. Эргодические случайные процессы
- •11. Функция автокорреляции
- •12. Спектральные характеристики случайных процессов
- •13. Корреляционная теория случайных последовательностей
- •14. Спектр процесса на выходе линейной системы
- •15. Распределение вероятностей на выходе линейной системы. Теорема о нормализации
- •16. Узкополосный гауссов процесс
- •17. Спектр колебаний с флуктуирующей частотой
- •19. Нелинейное безинерциальное преобразование. Корреляц-ые фии на выходе генератора гармоник
- •20. Марковские процессы .Уравнение Смолуховского
- •21. Марковский процесс с дискретными состояниями
- •22. Двумерные случайные блуждания
- •23. Уравнение Фоккера-Планка-Колмогорова
- •24. Стохастические дифференциальные уравнения. Случайные функции с независимыми приращениями
- •25. Усреднение точного решения стохастического дифференциального уравнения
- •26. Уравнение для средних и его связь с уравнением фпк.
- •27. Уравнение Лиувилля.Случайный телеграфный сигнал.
- •28. Тепловой шум в линейных диссипативных системах. Теорема Найквиста
- •29. Дробовой и фликкер-шум. Шумы полупроводниковых приборов
- •30. Шумы усилителей
- •31. Корреляционные и спектральные характеристики случайного поля
- •32. Эмв в статистически неоднородной среде
- •33. Анализ случайной дифракции методом мма
- •34. Плоская случайная волна в диспергирующей среде
- •35. Корреляционная функция одномодового и многомодового лазерного излучения
20. Марковские процессы .Уравнение Смолуховского
Р/м случайный процесс (t), все конечномерные распределения которого известны. n-мерная функция распределения n можно выразить через n–1-мерную n–1 и одномерную условную :
|
Произведение (tn, xn| t1, x1,…, tn–1, xn–1)dxn дает условную вероятность того, что xn < (tn) < xn + dxn, при условии, что (ti) = xi. Таким образом, условная вероятность для момента времени tn определяется множеством предыдущих состояний в моменты времени t1, …, tn–1. Говорят, что случайный процесс испытывает вероятностное последействие со стороны своих прошлых значений. Частным случаем является процесс без последействия, когда
(tn, xn| t1, x1,…, tn–1, xn–1) = (tn, xn| tn–1, xn–1),
|
Случайные процессы, функции плотности вероятности которых удовлетворяют этому, называют марковскими процессами первого порядка. Отсюда получим
|
Таким образом, для полного задания функции n марковского процесса необходимо знать только две функции плотности вероятности – n(t1, x1) и (tn, xn| tn–1, xn–1). Условная функция распределения (tn, xn| tn–1, xn–1) называется вероятностью перехода из состояния tn–1, xn–1 в состояние tn, xn.
Для стационарного марковского процесса запишем
|
Если в качестве случайного процесса рассматривается случайная последовательность xn = x(tn), то для нее марковость означает, что существует вероятность перехода от любого xi при l-м испытании к любому xk при n-м испытании:
|
Если при этом случайная величина n принимает конечное множество возможных значений, то последовательность называют простой цепью Маркова. Ясно, что для стационарной марковской последовательности вероятность перехода зависит только от сдвига индекса m = n – l, то есть от числа шагов между состояниями:
Если при дискретном времени tn значения x случайной величины n = (tn) образуют непрерывное множество, то марковость процесса означает, что существуют вероятности переходов
а условие стационарности имеет вид:
Используя определение марковского процесса для момента времени t3 запишем:
Если известно, что (t1) = x1, то
Мы получили уравнение Смолуховского:
Для дискретного множества значений x уравнение (7.6) принимает вид
|
Для случайной последовательности момент времени tn надо заменить на номер шага n:
Для стационарного случайного процесса уравнение Смолуховского несколько упрощается:
21. Марковский процесс с дискретными состояниями
Р/м простую цепь Маркова, то есть марковский процесс с конечным числом дискретных состояний. Пусть в момент времени t0 задано распределение вероятности p(t0, xk) = P{(t0) = xk}. Проследим изменение этого распределения во времени. Для этого перепишем уравнение Смолуховского для моментов времени
t0 < t < t +
и предположим, что при достаточно малых вероятность перехода пропорциональна , то есть
|
Такая запись позволяет получить верное исходное распределение при 0:
(7.10) |
Вероятность перехода за время из состояния j в состояние k j определяется выражением
Очевидно, что для любого времени на основе условия нормировки можно записать
поэтому с учетом выражения (7.9)
(7.11) |
Поскольку по смыслу вероятности все Ajk > 0 (k j), величины Ajj < 0.
Рассматривая предел при 0, получим:
|
Полученная система уравнений определяет динамику вероятностей переходов. Выбрав по другому три момента времени t0 < t0 + < t, можно получить аналогично
В тех случаях, когда нас интересует динамика вероятностей состояний p(t,xk), можно поступить следующим образом. Используя формулу полной вероятности
и подразумевая в ней под событием B событие (t) = xk, а под событием Ai – (t0) = xi, запишем:
|
получим следующее уравнение
|
Вместе с начальным условием p(t0,x0) оно определяет динамику распределения вероятностей.
Если марковский процесс стационарен, вероятность перехода зависит только от временного сдвига, то есть
В этом случае выражение (7.12) примет вид
В качестве примера рассмотрим задачу об определении динамики вероятностей переходов в двухуровневом лазере. Предположим, что вероятности переходов с уровня 1 на уровень 2 и обратно за время dt пропорциональны этому времени, то есть
A12dt = dt, A21dt = dt.
|
можно вычислить величины A11 и A12:
Теперь можно записать систему уравнений:
Поскольку из условия нормировки p(t, 1) + p(t, 2) = 1, полученная система сводится к уравнению
для решения которого необходимо задать начальные условия. Пусть в момент времени t = 0 уровень два полностью заселен, а уровень 1 – пуст. Тогда p(0, 1) = 0, p(0, 2) = 1, а решение полученного уравнения имеет вид
Стационарное распределение вероятностей получается из этих соотношений при t :