- •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
1.6. Характеристическая функция. Семиинварианты
Характеристической функциейслучайной величиныназывается среднее значение случайной величиныexp(iu):
. (1.0)
То есть характеристическая функция является Фурье-образом функции распределения. Соответственно
. (1.0)
Заметим, что характеристическая функция, вообще говоря, комплекснозначна и ограничена по модулю:
.
Для среднего значения произвольной функции F() случайной величиныможно получить:
,
где – Фурье-образ функцииF(x).
Характеристическая функция (1.19 в новых лекциях 1.23)также однозначно описывает распределение вероятностей, как и функция распределения(х), и позволяет найти все моменты:
.
Разлагая экспоненту в формуле (1.19 в новых лекциях 1.23) в ряд по степеням х,получим:
. (1.0)
Величину логарифма характеристической функции (1.19 в новых лекциях 1.23) аналогично соотношению(1.21)также можно разложить в ряд Тейлора по степеням (iu):
. (1.0)
Коэффициенты nразложения (1.22)называютсясемиинвариантами. Семиинварианты n n-го порядка являются рациональной функцией n первых моментов случайной величины:1=m1,2=M2=2,3=M3,4=M4– 3M22.
Для нормального распределения вида (1.8)характеристическая функция тоже имеет нормальный вид: (u) = exp(ium1() – 2u2/2),а все семиинварианты, начиная с третьего, равны нулю. Нетрудно показать, что характеристическая функция суммы двух независимых случайных величин равна произведению характеристических функций этих величин, а семиинварианты суммы независимых случайных величин равны сумме семиинвариантов этих величин. Если=+,то
,m() =m() +m().
Поскольку Фурье-образ произведения равен свёртке Фурье-образов сомножителей, легко получить функцию распределения суммы двух независимых случайных величин и:
. (1.0 в новых лекциях 1.27)
Получить непосредственно эту формулу композиции (1.23)трудно.
Для многомерной случайной величины можно ввести многомерную характеристическую функцию
.
1.7.Центральная предельная теорема
Понятие характеристической функции очень плодотворно. Тот факт, что характеристическая функция суммы независимых случайных величин равна произведению их характеристических функций, позволил Ляпунову доказать чрезвычайно важное для статистической радиофизики утверждение, получившее название центральнойпредельнойтеоремы.
Пусть 1, …, N –независимые случайные величины, <i> = ai,
M2(i) = i2 < C < . Если для любого> 0
,
то случайная величина имеет распределение, равномерно стремящееся к нормальному приN, независимо от распределения слагаемых.
Приведём доказательство центральной предельной теоремы для частного случая одинаково распределённых случайных величин i с одинаковыми средними <i> = aи конечной дисперсией2, например длявыборки одной случайной переменной(t).Пусть i = i – a, тогда , <N> = 0, , где . Сучётом формулы (1.21)получим выражение для характеристической функции случайной величиныN:
.
Используя соотношение (1.20 в новых лекциях 1.24),получаем:
.
Для случайной величины N=N+aпри этом получаем
.
То есть распределение выборочного среднего случайной величины сходится равномерно к нормальному с тем же средним значением и дисперсией, в Nраз меньшей. Отметим, что конечность дисперсий независимых случайных величин – необходимое условие центральной предельной теоремы. Так, например, дляраспределенияКошине существует моментов ни второго, ни всех чётных порядков. Его характеристическая функция(u) =exp(–|u|).Для суммы N независимых случайных величинi, распределённых по Коши,
N(u) = [(u)]N = exp(–|Nu|). Следовательно,,
aдля нормированной суммы, независимо отN, , то есть снова распределение Коши, а не нормальное.
Заметим также, что часто для выполнения условий центральной предельной теоремы достаточно некоррелированности (а не независимости) случайных величинi,и даже условия, что
(1.0)
достаточно быстро. Например, можно взять, гдеk –независимые случайные величины. Естественно, что при |i–j| <mвеличиныiиjзависимы, причём выполняется условие(1.24).Но суммаNможет быть записана в виде суммы независимых случайных величинkс некоторыми конечными коэффициентами, поэтому центральная предельная теорема выполняется.