Downloads / А.В. Никитин - Статистическая радиофизика / srf_2
.doc
2.
Случайный импульсный процесс
-
Случайный импульсный процесс
При решении основных задач статистической радиофизики приходится оперировать понятием случайной функции, которое мы дадим в п. 3. Однако случайный импульсный процесс является классическим примером задачи, при решении которой достаточно серьезные результаты можно получить, не вводя понятия случайной функции, а пользуясь только понятием функции случайной величины.
-
Функция случайной величины
Под функцией случайной величины (ФСВ) мы будем понимать детерминированную функцию, зависящую от какого-либо параметра (от времени, координаты и т. д.) и конечного числа случайных величин. Например
–
функция случайной величины, зависящая от времени.
Рис. 2.1. Случайная
импульсная последовательность
.
Сформулируем общую задачу, которая ставится при описании процесса с помощью ФСВ. Пусть задано совместное распределение вероятностей N(x1,…,xN) совокупности случайных величин 1,…, N и задана совокупность M однозначных непрерывных функций N переменных вида
Необходимо найти совместное распределение вероятностей WN(y1,…,yN) случайных величин 1,…, M. В одномерном случае задача сводится к нахождению распределения W1(y) случайной величины = f(), если известно распределение 1(x).
Рассмотрим одномерную задачу и предположим, что функция f(x) дифференцируема и существует обратная функция x = g(y), то есть связь величин и взаимно однозначна. Тогда, очевидно, при df/dx > 0 вероятность P{ y} = P{ x = g(y)}, а при df/dx < 0 вероятность P{ y} = P{ x = g(y)}. Используя определение функции плотности вероятности (1.6), получим:
Объединяя эти равенства, получим
. |
(2.1) |
В качестве примера рассмотрим линейную зависимость = f() = a + b, где в качестве случайного выступает гауссов процесс с нулевым средним и дисперсией 2 вида (1.12). Согласно (2.1) получим:
.
Рассмотрим случай, когда функция y = f(x) такова, что обратная ей функция x = g(y) неоднозначна, то есть одному значению y соответствует несколько значений g(y) – x1, x2 и т. д.. В этом случае событию y y + dy соответствует одно из взаимоисключающих событий: x1 x1 + dx1, x2 x2 + dx2 и т. д., а вместо выражения (2.1) можно записать
. |
(2.2) |
Примером такого случая может служить квадратичное преобразование = 2, того же гауссова процесса с нулевым средним. Функция плотности вероятности процесса будет иметь вид:
.
Еще один вариант реализуется, когда из одной случайной величины получаются две – 1 = f1() и 2 = f2(), причем существует обратная функция = g1(1). Тогда 2 = f2(g1(1)) = F(1), а условное распределение имеет вид
,
что с учетом (1.20) дает возможность записать
.
Аналогично, если известна двумерная функция плотности вероятности (x1, x2) и зависимости 1 = f1(1, 2) и 2 = f2(1, 2) при наличии обратных функций (не обязательно однозначных) 1 = g1(1, 2) и 2 = g2(1, 2), двумерная функция W2(y1, y2) может быть записана в виде
. |
(2.3) |
Здесь индекс k определяет номер неоднозначности обратных функций, а величина
–
якобиан преобразования. Естественно, при однозначных преобразованиях в этом выражении будет только один член.
Используя предыдущее соотношение и выражения (1.17), нетрудно найти распределение одной случайной величины, являющейся функцией двух других, то есть = 2 = f2(1, 2), положив 1 = 1. Тогда
.
-
Пуассоновский импульсный процесс
Рассмотрим импульсный процесс вида
, |
(2.4) |
являющийся функцией случайных величин i, i и и сделаем ряд предположений:
-
Предположим, что функция F(t) затухает достаточно быстро, то есть .
-
Будем считать, что величины i и i статистически независимы между собой и их распределения не зависят от номера i. Фактически это означает, что 2-мерная функция распределения этих величин распадается на множители:
.
-
Пусть вероятность появления импульса в интервале [t, t + dt] не зависит от времени t и количества предшествующих импульсов и пропорциональна длине интервала dt:
dP = dt, = const. |
(2.5) |
Заметим, что последнее предположение в принципе может быть справедливо только на малых интервалах dt, поскольку dP 1.
Вычислим вероятность появления n импульсов на временном интервале [0, t] P(n, t). Эту вероятность можно представить как сумму вероятностей двух несовместных событий:
-
появление n импульсов на интервале [0, t – dt] и ни одного на интервале [t – dt, t];
-
появление n – 1 импульса на интервале [0, t – dt] и одного на интервале [t – dt, t].
Остальными вариантами можно пренебречь, учитывая соотношение (2.5) и малость интервала [t – dt, t]. Таким образом
P(n, t) = P(n, t – dt)(1 – dt) + P(n – 1, t – dt)dt.
Полагая
,
при dt 0 получим:
или
.
Введем производящую функцию вида
и преобразуем полученное выражение, домножив его на sn и суммируя по всем n:
.
Учитывая, что
,
получим уравнение для производящей функции:
.
Решение этого уравнения имеет вид
.
Поскольку P(0, 0) = 1 и P(n 1, 0) = 0, получаем G(s, 0) = 1, поэтому
.
Таким образом, мы показали, что распределение вероятностей совпадает с распределением Пуассона (1.10)
, |
(2.6) |
причем величина t = <n>. Кстати, это означает, что среднее число импульсов, появившихся на интервале [0, t] пропорционально длительности этого интервала.
Поскольку вероятность того, что на интервале [0, t] не появилось ни одного импульса, равна P(0, t) = e–t, вероятность того, что интервал между двумя соседними импульсами лежит в диапазоне [t, t + dt] можно найти как произведение вероятностей двух независимых событий – того, что за время t ни одного импульса не появилось и того, что на интервале [t, t + dt] появился один импульс:
.
Поскольку по определению P{t t + dt} = (t)dt, легко записать вид функции плотности вероятности:
.
Теперь можно вычислить средний интервал между импульсами:
.
Таким образом, параметр распределения имеет смысл средней частоты следования импульсов.
Выберем интервал наблюдения 0 t T много большим как величины 1/, так и длительности одного импульса (то есть F(T) = 0). Тогда импульсы, появившиеся за пределами данного интервала, не будут вносить значительный вклад в функцию (t) и можно пренебречь краевыми эффектами, то есть влиянием тех импульсов, которые попадают в интервал частично. Найдем распределение (x) случайной величины (t) вида (2.6), то есть вероятность события A, заключающегося в том, что x (t) x + dx:
.
Очевидно, событие A (рис. 2.2) может реализоваться в результате появления за интервал наблюдения любого количества импульсов, поэтому используя формулу полной вероятности (1.4), мы можем записать
. |
(2.7) |
Рис. 2.2. Распределение
случайной величины (t)
, |
(2.8) |
где mk(|n) – условные моменты величины (t) при условии появления n импульсов за интервал [0, T]. Вычислим первый условный момент, основываясь на определении (t) (2.4) и на предположении 2 о независимости случайных амплитуд i и моментов появления i:
.
Здесь
–
среднее значение i, не зависящее от i.
Теперь рассмотрим среднее <F(t – ti)>; для его определения необходимо задать функцию плотности вероятности (ti). Будем считать, что момент появления i-го импульса распределен равномерно на интервале [0, T], то есть (ti) = 1/T. Тогда
. |
(2.9) |
Здесь мы воспользовались локализованностью функции F(t). Подставляя полученное выражение (2.9) в формулу (2.8), запишем
.
Учитывая, что входящая в это выражение вероятность P(n) определяется распределением Пуассона (2.6) при t = T, то есть P(n) = P(n, T), получим
. |
(2.10) |
Совершенно аналогично найдем второй условный момент
.
Поскольку согласно нашим предположениям величины i и I независимы, получим:
Таким образом, второй условный момент равен
.
Подставляя это выражение в формулу (2.8) с k = 2, получим
.
Учитывая, что для распределения Пуассона <n2> = <n>2 + <n>, применяя соотношение (2.10), а также учитывая, что средняя частота следования импульсов = <n>/T, запишем
.
Таким образом, дисперсия процесса определяется выражением
. |
(2.11) |
В частном случае, если импульсы имеют одинаковую высоту, то есть i = a, на основе (2.10) и (2.11) получаем
. |
(2.12) |
Эта пара соотношений называется теоремой Кэмпбелла.
Рис. 2.3. Электронная
лампа и ее анодный ток
.
Учитывая, что
,
на основе теоремы Кэмпбелла (2.12) запишем
. |
(2.13) |
Однако любой амперметр регистрирует ток, усредненный на некотором временном интервале T >> 0. Выполним усреднение, разбив интервал T на участки длительностью 0 и суммируя значения i(t), взятые в точках t = k0. Пусть K – количество участков 0, полностью укладывающихся в интервале [0, T], тогда усредненный ток iT(t) может быть записан в виде
.
Как видно из полученного выражения . Соответственно, дисперсия процесса равна
. |
(2.14) |
Мы получили известную формулу дробового эффекта.
Выясним, когда распределение величины (t) вида (2.4) близко к нормальному, для чего найдем характеристическую функцию процесса и семиинварианты. В п. 1.5 мы показали, что у нормального распределения все семиинварианты, начиная с третьего, равны нулю. Поскольку в рамках наших предположений о процессе все слагаемые в сумме (2.4) статистически независимы, условная характеристическая функция величины (t) при условии, что на интервале [0, T] появилось n импульсов, равна произведению характеристических функций слагаемых:
. |
(2.15) |
Здесь мы по-прежнему считаем, что момент появления каждого импульса распределен равномерно на интервале [0, T], то есть (t) = 1/T.
Взяв преобразование Фурье от выражения (2.7), получим:
.
Подставляя сюда условную характеристическую функцию (2.15), вычислим (u):
Пользуясь опять локализованностью функции F() и устремляя T , получим:
Теперь можно вычислить семиинварианты, взяв ln{(u)}:
.
Таким образом, семиинварианты характеристической функции определяются выражением
.
Теперь можно найти условия, при которых все m, начиная с m = 3, малы – в этом случае распределение величины (t) вида (2.4) будет близко к нормальному. Запишем отношение модулей
.
Таким образом, при 0 >> 1 |3| << 3 и все семиинварианты, начиная с третьего, малы, а распределение величины (t) близко к нормальному вида (1.12). При этом среднее и дисперсия (t) определяются выражениями (2.10) и (2.11). Поскольку величина является средней частотой следования импульсов, а 0 – их длительностью, полученное условие означает, что импульсы густо перекрываются.