- •3 В.К. Игнатьев. Статистическая радиофизика
- •Литература:
- •Основы теории вероятностей
- •1.1.Предмет статистической радиофизики
- •1.2.Случайные события. Вероятность
- •1.3.Случайные величины. Распределение вероятностей
- •1.4. Закон больших чисел. Аксиома измерений
- •1.5.Совместные распределения. Условные функции распределения
- •1.6. Характеристическая функция. Семиинварианты
- •1.7.Центральная предельная теорема
- •Случайный импульсный процесс
- •2.1.Функции случайной величины
- •2.2.Пуассоновский импульсный процесс
- •Случайные функции
- •3.1.Понятие случайной функции. Задание случайной функции
- •3.2.Сходимость, дифференцируемость, непрерывность и стационарность случайных функций
- •3.3.Моменты случайных функций
- •3.4.Эргодические случайные процессы
- •Корреляционная теория случайных процессов
- •4.1.Функция автокорреляции
- •4.2.Спектральная плотность интенсивности случайных процессов
- •4.3. Случайные последовательности
- •Воздействие случайного процесса на линейную систему
- •5.1. Спектральные характеристики процесса на выходе линейной системы
- •5.2.Распределение вероятностей на выходе линейной системы
- •5.3.Узкополосный гауссов процесс
- •5.4.Спектр колебаний с флуктуирующей частотой
- •5.5. Спектральное оценивание
- •Нелинейные преобразования случайных процессов
- •6.1.Нелинейное безинерциальное преобразование
- •6.2.Корреляционные функции на выходе умножителя частоты
- •Марковские процессы
- •7.1. Процесс без последействия
- •7.2. Уравнение Смолуховского
- •7.3.Марковский процесс с дискретными состояниями
- •7.4.Двумерные случайные блуждания
- •7.5.Уравнение Фоккера – Планка – Колмогорова
- •Стохастические дифференциальные уравнения
- •8.1. Постановка задачи
- •8.2. Случайные функции с независимыми приращениями
- •8.3. Усреднение точного решения стохастического дифференциального уравнения
- •8.4. Уравнение для средних
- •8.5.Уравнение Лиувилля
- •Случайные поля
- •9.1.Функция автокорреляции и спектр случайного поля
- •9.2.Электромагнитная волна в статистически неоднородной среде
- •9.3.Метод медленно меняющихся амплитуд
- •9.4.Плоская случайная волна в диспергирующей среде
- •Флуктуации в электрических цепях
- •10.1. Тепловой шум в линейных диссипативных системах
- •10.2.Дробовой шум
- •10.3.Фликкер-шум
- •10.4. Шумы электронно-дырочного перехода
- •10.5. Шум биполярного транзистора
- •10.6.Шумы полевых транзисторов
- •10.7.Шумы усилителей
- •Флуктуации в лазерных системах
- •11.1.Корреляционная функция одномодового лазерного излучения
- •11.2. Корреляционная функция многомодового лазера
- •11.3.Флуктуации в одномодовом лазере
- •Содержание
3.4.Эргодические случайные процессы
Определенные в п. 3.3моменты являются средними по статистическому ансамблю. Функция распределения случайной функции(t,x), введенная в п. 3.1,тоже относится к ансамблю систем. Согласно аксиоме измерения это относительная доля систем в ансамбле одинаковых систем, для которых в моментtвыполняется условиеx(t)x+dx. Но на практике (кроме броуновского движения) у нас нет большого числа систем, а есть одна система, за которой можно наблюдать долгое время и находить среднее по времени за интервалТвида:, которое тоже является случайной величиной. При этом.
Пусть (t) – стационарный случайный процесс, то есть . Найдем его дисперсию:
Сделаем замену переменных=' –,' =' +, или' = (+')/2,
= (' –)/2, что эквивалентно повороту осей координат на/4, и разобьем область интегрирования на два треугольника:
. (3.0)
Запишем теперь неравенство Чебышева (1.11)для случайной величины:. То есть, если
, (3.0)
то . Условие (3.7)называетсяусловиемэргодичностиСлуцкого для стационарных процессов. Дляэргодическихпроцессов среднее, по времени за достаточно большой интервалТстремится по вероятности к статистическому среднему.
Корреляционная теория случайных процессов
4.1.Функция автокорреляции
Рассмотрим комплексную случайную функцию (t) =(t) +i(t), которую можно рассматривать как линейную комбинацию двух вещественных случайных функций(t) и(t) или как двумерную случайную функцию. Функцией автокорреляции комплексной случайной функции(t) называется смешанный момент 2-го порядка:
. (4.0)
При этом, естественно,
– (4.0)
величина вещественная и положительная, как и дисперсия вида
.
Будем рассматривать случайные функции второгопорядка, то есть непрерывные в среднеквадратичном, средний квадрат модуля которых ограничен и непрерывен при любомt.Из определения(4.1)следует эрмитовость функции автокорреляции:
B(t2, t1) = B*(t1, t2).
В частности, для стационарных в широком смысле процессов B() =B*(–).
Кроме того, автокорреляционная функция ограничена по модулю. Положим B(t2,t1) = |B|exp(i) и рассмотрим при произвольномaвеличину
Так как это равенство выполняется при произвольномa, и |cos( – a)| 1, то
.
Для стационарного случайного процесса .
Кроме того, для непрерывных в среднеквадратичном функций (t) функция автокорреляции равномерно непрерывна на плоскости (t2,t1). Для того чтобы производная случайного процесса(t) существовала и была случайной функцией 2-го порядка, непрерывной в среднеквадратичном, необходимо и достаточно, чтобы существовала непрерывная для всехt2=t1смешанная вторая производная. Тогда:
.
Для стационарного случайного процесса:
.
Аналогично нетрудно показать, что
.
Для стационарного случайного процесса:
.
4.2.Спектральная плотность интенсивности случайных процессов
Рассмотрим стационарный в широком смысле непрерывный в среднеквадратичном случайный процесс второго порядка (t).Его функция автокорреляции В() ограничена и непрерывна при всех,а значит, существует преобразование Фурье от нее:
. (4.0)
Существует и обратное к (4.3)преобразование Фурье:
. (4.0)
Функция G(i), определенная интегралом Фурье (4.3),называетсяспектральнойплотностьюинтенсивностислучайного процесса, для электрических процессов –спектральнойплотностьюмощности. Утверждение(4.4)часто называюттеоремойВинера–Хинчина.
Положив в соотношении (4.4)= 0 с учетом соотношения (4.2),получим:
. (4.0)
Если случайный процесс (t) –вещественный, то функция автокорреляцииB() – вещественная и четная, спектральная интенсивностьG(i) –вещественная и четная функция. В этом случае
,
где G+(0) = 2G(i),G+(< 0) = 0 – спектральная плотность интенсивности по положительным частотам,G(f) = 2G+() = 4G(i). При этом, соответственно:
. (4.0)
Если все реализации случайного процесса (t) –финитные функции, то для любой реализации можно записать:
,
где
–
спектр реализации s(t), случайная функция частоты .Тогда для стационарного случайного процесса(t) можно переписать теорему Винера – Хинчина (4.4) в виде:
.
Это равенство может выполняться в том и только в том случае, если
. (4.0)
То есть спектр реализаций стационарного случайного процесса является дельта-коррелированной функцией частоты. Соотношение (4.7) часто принимается за определение спектральной интенсивности. Тогда соотношение (4.4) –действительно теорема.
Соотношение (4.7) легко обобщается на случай дискретного спектра реализаций:
.
В этом случае каждая реализация представима рядом Фурье:
,
где Sn– случайная величина. Тогда
.
Если рассмотреть стационарный случайный процесс с нулевым средним вида 1(t) =(t) – <(t)>, нетрудно показать, что
G(i) = G1(i) + <(t)>2(),
где G1(i)–спектральная интенсивность процесса1(t) с нулевым средним.
Кроме того, если существуют интегралы вида
– средняя частота,
– среднее время корреляции,
– квадрат ширины полосы
–квадрат интервала корреляции,
то, как известно из теории интегралов Фурье,
()2()2 1/2 –(4.0)
соотношениенеопределенностей. Вспомнив, что в квантовой механике
Е= ћ,получим классическое соотношение неопределенностей Гейзенберга:
(Е)2()2 ћ2/2.
Заметим, что равенство в формуле (4.8)имеет место лишь для гауссовых кривых:
. (4.0)
Toесть гауссовы кривые вида (4.9)являются минимизирующими.
В качестве примера найдем спектральную плотность интенсивности пуассоновского импульсного процесса вида (2.5 в новых лекциях 2.4).Здесь удобнее начать с функции автокорреляцииВ() флуктуаций, то есть случайного процесса
(t) = (t) – <(t)>. Аналогично выводу соотношения (2.12 = в новых лекциях 2.11)можно выразитьВ() через условные моменты и, поскольку <(t)> = 0, получить:
.
Воспользовавшись известной теоремой о спектре свертки, получим:
G() = ||2|f(i)|2(2),
где – спектр импульсаF(t).
Таким образом, частота следования импульсов и их амплитуды влияют только на общий уровень шума, а его спектр полностью определяется спектром импульсов. Если вернуться теперь к задаче о дробовом эффекте, то, положив снова F(0) = 1,F(< 0) =F(>) = 0,a=e/,=ia/e, получим:
,
, (4.0)
то есть для частот, малых в сравнении с 1/, плотность интенсивности дробового шума постоянна и пропорциональна среднему току ia.
Случайный процесс, для которого спектральная плотность интенсивности постоянна, называется белымшумом. Вообще говоря, белый шум – абстракция, как следует из соотношения (4.5),средний квадрат такого процесса бесконечен. Можно говорить только о приближенной модели какого-то процесса. Например, для частот, меньших, чем 1/,дробовой шум можно считать белым. Вообще, если функция автокорреляции процессаB() отлична от нуля на узком интервале ||,то для частот<< 1/шум белый, так как
.
В предельном случае при = 0 получаем для всехG() = G0 = constдля всех частот, что соответствует белому шуму, тогда
B() = 2G0() – (4.0)
дельта-коррелированныйпроцесс.