big_doc_LKG
.pdfВипадкові процеси та їх статистичні характеристики |
169 |
(3.5)
Функція є аналогічною кореляційній функції і визначає ступінь зв’язку між елементами рядків і стовпців вихідної табл. 3.2, де відображено реалізацій неперервного випадкового процесу в дискретні моменти часу (). Однак ця функція також характеризує випадковий процес, так як для кожної пари дискретних значень аргументів вона дорівнює коефіцієнту кореляції і .
Головна діагональ матриці нормованої кореляційної функції містить всі одиниці, а по аналогії з кореляційним моментом, матриця симетрична відносно цієї діагоналі. Матриця має наступний вигляд
. (3.6)
Після того як обчислені оцінки числових характеристик ,
, або для значень аргументу , , ..., , ..., , можна побудувати відповідні графіки. Всі ці функції у разі необхід-
ності можна апроксимувати відповідними аналітичними виразами.
Приклад 1. В табл. 3.3 наведені дані про щоденні обсяги поставок споживачам зі складу металопрокату трьох видів продукції (П1–П3) протягом тижня (Т = 5 робочих днів). Необхідно визначити числові характеристики цього випадкового процесу.
Розв’язок. Випадковий процес зводиться до системи трьох випадкових величин, що відповідають перерізам з інтервалом день, тобто , , , , . Обчислюємо імовірнісні характеристики процесу за формулами
(3.1) та (3.2).
Випадкові процеси та їх статистичні характеристики |
173 |
суттєвих змін за перебігом часу. Такі випадкові процеси називаються стаціонарними. Прикладом стаціонарного випадкового процесу може бути кількість вантажів, що перевозиться транспортним засобом за одну їздку.
В протилежність стаціонарним, нестаціонарні випадкові процеси розвиваються у відповідності з певною тенденцією і суттєво змінюються у часі. Характеристики такого процесу залежать від вибору початку відліку часу.
Для більшості динамічних систем випадкові процеси починаються з
нестаціонарної стадії, яка надалі переходить у сталий режим, а
випадкові процеси, що відбуваються в ній, можна вважати стаціонарними. Прикладом нестаціонарного випадкового процесу є зміна відносних значень величини пасажиропотоку за часом протягом доби. Спочатку пасажиропотік зростає (t = 7 – 9 год.), потім дещо спадає (t = 9 – 10 год.), стабілізується (t = 10 –14 год.), збільшується (t = 15 – 18 год.), і , нарешті, спадає (t = 18 – 24 год.). Цей процес у деякому проміжку часу (наприклад, в інтервалі t = 10 – 14 год.) приблизно може бути прийнятим як стаціонарний.
Випадковий процес називається стаціонарним, якщо його
математичне очікування і дисперсія мають однакові значення у всіх точках числової осі, а кореляційна функція залежить тільки від величини інтервалу між двома точками і , і не залежить від його розташування на числовій осі, тобто
; |
(3.7) |
; |
(3.8) |
. |
(3.9) |
Так як , то єдиною суттєвою умовою стаціонарності є залежність кореляційної функції від інтервалу змінювання аргументів.
Таким чином, кореляційна функція стаціонарного випадкового процесу залежить не від обох аргументів і , а тільки від різниці між ними , тобто є функцією не двох, а лише одного аргументу.
Кореляційна функція будь-якого випадкового процесу має властивість симетрії, тобто
Випадкові процеси та їх статистичні характеристики |
175 |
Кореляційна функція стаціонарного випадкового процесу характеризує внутрішню структуру процесу у часовій області. Процес називається строго стаціонарним, якщо його властивості не залежать від моменту початку відліку. В термінах функцій розподілу це означає, що якщо усі моменти часу зсунути на один і той же інтервал часу , то спільна функція розподілу не змінюється, тобто
. (3.11)
Виходячи із умови стаціонарності, можна записати
.
Оскільки ми не фіксували величину , то можна зробити висновок, що для стаціонарного процесу функція розподілу буде постійною, тобто не буде залежати від часу. Позначимо її . Тоді стаціонарний процес має постійне середнє значення
(3.12)
і постійну дисперсію
. (3.13)
Все це виправдовує наявність стаціонарності стохастичного процесу, тобто це процес, який з постійною дисперсією флуктуює (коливається) навколо свого середнього значення.
3.2.2. Способи встановлення стаціонарності випадкового проце-
су. Випадковий процес може бути стаціонарним в середньому і в дисперсії. У деяких випадках перевірка стаціонарності функції розподілу не потрібна, так як просте зображення її на графіку показує, що функ-
ція або зростає, або спадає, або має коливання зі змінною амплі-
Випадкові процеси та їх статистичні характеристики |
177 |
5. Ідентифікують властивості стаціонарності чи нестаціонарності: якщо значення укладаються в інтервал , тоді про-
цес вважається стаціонарним за середнім значенням ;
якщо всі значення укладаються в інтервал , тоді про-
цес вважають стаціонарним за дисперсією ;
якщо хоча б одне значення не укладається в інтервал ,
процес визначають як нестаціонарний, навіть якщо величина середнього арифметичного не змінюється в часі.
Спосіб 2. Вихідні дані представляються статистичними вибірка-
ми спостережень. В практиці досліджень використовуються декілька методів перевірки процесу на стаціонарність.
Безпосередня перевірка умов стаціонарності.
Для вибраних перерізів випадкового процесу розраховуються характеристики , , і перевіряється виконання умов стаціонарності (3.7) та (3.8).
Приклад 1. Досліджується процес доставки дрібнопартіонних вантажів з центральної матеріальної бази постачання. Щодобово (інтервал спостережень ) фіксувався обсяг поставок п`ятьом споживачам (кількість реалізацій) протягом діб. Результати спостережень представлені в табл. 3.5.
Таблиця 3.5 Експериментальні дані обсягу поставок за дев’ять діб поточного періоду
Номер |
|
|
|
Період часу |
, доби |
|
|
|
||
реалізації |
|
|
|
|
|
|
|
|
|
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
||
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
35 |
35 |
35 |
36 |
37 |
35 |
34 |
32 |
37 |
|
|
35 |
35 |
36 |
36 |
35 |
35 |
35 |
35 |
35 |
|
|
32 |
34 |
32 |
34 |
33 |
32 |
31 |
31 |
32 |
|
|
31 |
31 |
31 |
31 |
31 |
31 |
31 |
31 |
31 |
|
|
33 |
31 |
30 |
30 |
30 |
28 |
29 |
28 |
30 |
|
|
|
|
|
|
|
|
|
|
|
Розв’язок.
1. Обчислюємо оцінку математичного очікування . Для цього підсумовуємо значення, наведені в табл. 3.5, по стовпчиках і ділимо отриману суму на кількість реалізацій, тобто на 5. Отримані результати занесемо в табл. 3.6 і на її підставі побудуємо графік (рис. 3.5) величини .
178 |
|
Розділ 3 |
|
|
|
|
|
||
|
|
|
|
|
|
|
Таблиця 3.5 |
||
Імовірнісні характеристики випадкового процесу |
|
|
|||||||
|
доставки дрібнопартіонних вантажів |
|
|
|
|||||
Характеристики |
|
|
Періоди часу |
|
|
|
|||
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
||
1 |
|||||||||
33,20 |
33,20 |
32,80 |
33,40 |
33,20 |
32,20 |
32,00 |
31,40 |
33,00 |
|
3,20 |
4,10 |
6,70 |
7,80 |
8,20 |
8,70 |
6,00 |
6,30 |
8,50 |
|
1,80 |
2,02 |
2,60 |
2,80 |
2,86 |
2,95 |
2,45 |
2,50 |
2,92 |
|
1,00 |
0,89 |
0,91 |
0,84 |
0,89 |
0,83 |
0,81 |
0,71 |
0,81 |
|
Рис. 3.5. Графіки випадкового процесу |
|
|
|
||||||
|
доставки дрібнопартіонних вантажів |
|
|
|
2. Обчислюємо оцінку дисперсії . Щоб спростити обчислення оцінок дисперсії, виконаємо центрування випадкового процесу, тобто віднімемо від кожного елемента стовпчиків табл. 3.5 відповідне йому математичне очікування і отримані результати представимо в табл. 3.7.