- •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
Марковские процессы
Теория случайных функций не позволяет получить в общем случае столь же значимые результаты, как корреляционная теория. Наиболее развита теория случайных процессов особого рода – марковскихпроцессов. Несмотря на то что марковский процесс – очень частный случай, его изучение довольно плодотворно, так как многие реальные физические процессы сводятся к марковским. Рассмотрим, к примеру, интегрирующую цепь первого порядка, на входе которой действует случайный процесс(t). Тогда выходной процесс(t) можно записать в виде интеграла Дюамеля (5.1):
.
Тогда
,
то есть функция распределения случайной величины (t) параметрически и однозначно зависит от начальных условийx0=(t0), независимо от того, каким путем система пришла к начальным условиям.
7.1. Процесс без последействия
Рассмотрим случайный процесс (t), для которого в силу трактовки Слуцкого известны все его конечномерные распределения. В соответствии с формулой (3.4) можно выразитьn-мерную функцию распределенияnчерез
(n– 1)-мерную функцию распределенияn – 1и одномерную условную функцию распределенияv:
n(t1,x1, …,tn,xn) =n - 1(t1,x1, …,tn – 1,xn – 1)v(tn,xn |t1,x1, …,tn – 1,xn – 1). (7.0)
Множитель vdxnпо определению описывает условную вероятность того, чтоxn<(tn) <xn+dxnпри условии, что(ti) =xi,то есть условная вероятностьvсостоянияxnв момент времениtnзависит от множества предшествующих состояний x1,…,xn – 1в моменты времениt1, …,tn – 1.Иначе говоря, случайный процесс(t) испытывает вероятное последействие со стороны ранее принятых значений.
Запись (7.1)справедлива для всех без исключений случайных функций, в зависимости от модели процесса, то есть от характера последействия, функцияvбудет иметь различный вид.Очень частный, но физически важный вид случайного процесса – процесс без последействия, когда для всехt>t0условная вероятность однозначно определяется значением, принятым функцией в моментt0,и совсем не зависит от того, каким образом функция(t) пришла к состоянию(t0) =x0. В этом случае условное распределение состояния (tn,xn) относительно цепочки всех предшествующих состояний (tn – 1,xn – 1), …, (t1,x1) совпадает с условным распределением относительно последнего из предыдущих состояний (tn – 1,xn – 1):v(tn,xn|t1,x1, …,tn – 1,xn - 1) =v(tn,xn|tn – 1,xn – 1).
Следовательно, для процесса без последействия соотношение (7.1) можно переписать в виде:
n(t1,x1, …,tn,xn) =n – 1(t1,x1, …,tn – 1,xn – 1)v(tn,xn|tn – 1,xn – 1). (7.0)
Случайный процесс, удовлетворяющий условию (7.2), называется марковским случайным процессом (первого порядка). Применяя формулу (7.2) последовательно к распределениям n – 1, n – 2 и так далее по 2(t1, x1, t2, x2), получим
n(t1, x1, …, tn, xn) = 1(t1, x1)v(t2, x2|t1, x1)v(t3, x3|t2, x2)…v(tn, xn|tn – 1, xn – 1). (7.0)
Из соотношения (7.3)видно, что, для того чтобы задатьn-мерную функцию распределения для любого числаnпроизвольно выбранных моментовti марковского случайного процесса, то есть для того чтобы задать случайную функцию(t), достаточно знать только две функции (детерминированные) –одномерную плотность вероятности1(t1,x1) и плотность условной вероятности v(tn,xn|tn – 1,xn – 1), называемуювероятностьюпереходаиз предыдущего состояния (tn – 1,xn – 1) в последующее (tn,xn).
Для стационарных марковских процессов в силу определения (3.2)
2(t1, x1, t2, x2) = 2(x1, t2 – t1, x2) = 1(x1) v(x2|t2 – t1, x1).
При этом в силу условия согласования (3.1)
должно выполняться условие, налагаемое на распределение (x):
. (7.0)
Для случайной последовательности, то есть случайного процесса с дискретным временем tnи дискретными возможными значениями случайной величиныn=(tn) =xi(i= 1, 2, …), марковость процесса означает, что существует вероятность перехода от любого из значенийxiприl-м испытании к любому значению xkпри n-м:
p(n, xk|l,xi) = P{n=xk|l=xi}. (7.0)
Если число возможных значений xiконечно,то процесс называетсяпростойцепьюМаркова.
Для стационарной марковской последовательности вероятность перехода вида (7.5)зависит только от разностиs=n–l,то есть от числа шагов, пройденных от началаlк концуn: p(n, xk|l,xi) = p(xk|s,xi). Еслиже при дискретном времениtnзначенияxслучайной величиныn=(tn) образуют непрерывное множество, то марковость процесса означает, что существуют вероятности переходовv(n, x|l,y)dx=P{xnx+dx|l=y}. Условие стационарности при этом имеет видv(n, x|l,y) =v(n, x|n–l,y).