Downloads / А.В. Никитин - Статистическая радиофизика / srf_3
.doc
3.
Случайные функции
-
Случайные функции
Понятие случайной функции является обобщением понятий случайной величины и функции случайной величины. Случайной функцией (t) с параметром t называется функция, значение которой i = (ti) при любом значении параметра t = ti является случайной величиной. Если параметр t имеет смысл времени, случайная функция называется случайным процессом, если координаты – случайным полем.
-
Задание случайной функции
В первом разделе мы вводили понятие случайной величины как результата некоторого эксперимента, который не воспроизводится при повторении этого эксперимента в тех же условиях. Однако, существует и другой подход, который заключается в представлении совокупности множества абсолютно идентичных систем, находящихся в абсолютно одинаковых условиях. Тогда при регистрации какой-либо характеристики системы одинаковыми способами получаемые значения (реализации) будут различными. Совокупность всех возможных реализаций называют статистическим ансамблем или ансамблем реализаций; соответственно, совокупность систем называют ансамблем систем.
Согласно данному нами в начале этого раздела определению случайной функции, функция случайной величины является случайной функцией; однако понятие случайной функции гораздо шире. Значения случайной функции (t) могут быть как непрерывными, так и дискретными; параметр t также может быть дискретным – в этом случае величина [n] = (t = tn) называется случайной последовательностью.
Если параметр случайной функции принимает конечное число значений t1,…, tn, случайная функция эквивалентна совокупности случайных величин [1] = (t1),…, [n] = (tn), которая может быть описана n-мерной совместной функцией плотности вероятности (x1,…, xn). Однако, ситуация существенно осложняется, если количество значений аргумента бесконечно, либо аргумент непрерывен – в этом случае уже нельзя задать какую-либо функцию распределения и необходимо определить, как понимать задание случайной функции.
Если случайная функция (t) задана как статистический ансамбль своих реализаций, можно задать распределение вероятностей этих реализаций. Так, например, для счетного набора реализаций x(i)(t) можно ввести вероятности pi каждой реализации и определить среднее по статистическому ансамблю:
.
Однако, обычно удобнее другой подход, основанный на представлении случайной функции (t) в произвольный момент времени в виде случайной величины, которая может быть задана с помощью одномерного распределения, зависящего от времени:
.
Тогда среднее по ансамблю находится как
.
Однако, следует понимать, что такое распределение никак не учитывает взаимосвязь значений (t) в разные моменты времени. Если задать n моментов времени t1,…, tn, можно ввести n-мерное распределение
.
Для конечной случайной последовательности такое описание будет полным. В общем случае говорят, что случайная функция задана, если ее конечномерное распределение n(t1,x1,…, tn,xn) известно для любого числа n произвольно выбранных моментов времени t1,…,tn. Очевидно, функция плотности вероятности n(t1,x1,…, tn,xn) должна быть симметричной относительно перестановок пар аргументов (ti,xi). Кроме того, должно выполняться условие согласования, аналогичное (1.17):
. |
(3.1) |
Введенные в п. 1 понятия сходимости последовательности случайной величины позволяют ввести понятие непрерывности случайной функции. Случайная функция называется непрерывной в среднеквадратичном смысле, если
.
Этот предел часто обозначают следующим образом:
.
Случайная функция называется непрерывной по вероятности, если ее среднее арифметическое сходится к математическому ожиданию в каждый момент времени:
.
Наконец, случайная функция называется непрерывной почти наверняка, если
.
Существует сокращенное обозначение этого равенства:
.
Следует помнить, что непрерывность случайной функции (t) по вероятности не означает непрерывности ее значений x(t). Так, например, в рассмотренной в п. 2.2 задаче о дробовом шуме заряд, пришедший на анод, является дискретной величиной, но случайная функция q(t) непрерывна по вероятности, так как в силу наших предположений вероятность прихода на анод одного электрона за время dt непрерывно уменьшается при уменьшении dt. Это означает, что
для любых и . Это и означает непрерывность по вероятности.
По аналогии с понятием непрерывности определяется и дифференцируемость случайной функции – как существование в каком-либо смысле предела приращения функции к приращению аргумента
.
Интегрируемость случайной функции определяется как существование в каком-либо смысле предела частичных сумм
.
Случайная функция называется стационарной или однородной по времени, если для всех ее конечномерных распределений и для любого выполняется равенство
. |
(3.2) |
Из этого определения, в частности, следует, что одномерная функция распределения стационарной случайной функции вообще не зависит от t, а n-мерная – зависит от n – 1 момента времени.
-
Моменты случайных функций
Моменты случайной функции определяются так же, как и моменты случайной величины. Например, момент n-го порядка определяется как
.
Смешанные моменты случайной функции могут быть построены но основе самых различных комбинаций ее значений, взятых в различные моменты времени. Например:
,
.
Смешанный момент второго порядка носит название корреляционной функции и имеет вид
. |
(3.3) |
Очевидно, при t1 = t2 = t B(t,t) = <2(t)>.
Центральный смешанный момент второго порядка
при t1 = t2 = t равен дисперсии случайной функции (t,t) = D[(t)]. Нормируя его, получим коэффициент корреляции:
.
Легко показать, что |R(t1,t2)| R(t,t) = 1, а если значения (t1) и (t2) статистически независимы, то R(t1,t2) = 0.
Для случайных функций, так же, как и для случайных величин, можно ввести условную функцию распределения, например
Тогда по аналогии с выражением (1.18) можно записать:
. |
(3.4) |
Для случайной функции можно ввести и условные моменты, например, условное среднее:
. |
(3.5) |
Пользуясь выражениями (3.4) и (3.5) корреляционную функцию (3.3) можно записать в виде
Следует отметить, что корреляционная функция является одной из важнейших характеристик случайного процесса. Существует даже корреляционная теория случайных процессов, которая оперирует моментами и функциями распределения только первого и второго порядков.
Поскольку для стационарных случайных процессов одномерная функция плотности вероятности не должна зависеть от времени, моменты n-го порядка таких процессов являются постоянными величинами:
.
Соответственно, функция корреляции стационарного случайного процесса зависит только от временного сдвига:
.
Ясно также, что и функция корреляции, и центральный смешанный момент второго порядка (), и нормированный коэффициент корреляции R() должны быть четными функциями временного сдвига, то есть
.
В рамках корреляционной теории обычно используют более широкое определение стационарности, по сравнению с данным нами определением в конце п. 3.1. на основе равенства (3.2). Стационарной в широком смысле или стационарной по Хинчину называют случайную функцию, функция корреляции которой зависит только от временного сдвига = t2 – t1 и конечна при = 0.
-
Эргодические случайные процессы
Введенные нами в начале данного раздела функции плотности вероятности (t,x), а также различные моменты определяются как средние по ансамблю. Однако на практике, обычно, приходится иметь дело с одной системой, которую можно наблюдать в течение какого-либо времени. При этом можно найти среднее по времени
,
которое, в свою очередь, также является случайной величиной. При этом
.
Предположим, что (t) – стационарный случайный процесс. Тогда средние величин (t) и совпадают и равны некоторой постоянной величине:
.
Найдем дисперсию среднего по времени:
Рис. 3.1. Замена
переменных при вычислении дисперсии
среднего
. |
(3.6) |
Теперь запишем неравенство Чебышева (1.13) для случайной величины :
.
Таким образом, если выполняется условие
, |
(3.7) |
то величина сходится по вероятности к статистическому среднему при T , то есть
. |
(3.8) |
Условие (3.7) называется условием эргодичности Слуцкого для стационарных случайных процессов, а удовлетворяющие ему или выражению (3.8) случайные процессы называют эргодическими.