86280 (Випадковий процес в математиці), страница 2
Описание файла
Документ из архива "Випадковий процес в математиці", который расположен в категории "". Всё это находится в предмете "математика" из , которые можно найти в файловом архиве . Не смотря на прямую связь этого архива с , его также можно найти и в других разделах. Архив можно найти в разделе "курсовые/домашние работы", в предмете "математика" в общих файлах.
Онлайн просмотр документа "86280"
Текст 2 страницы из документа "86280"
? ? ?(t)?(t')R(t, t')dtdt'
Тоді існує в середньому квадратичному інтеграл
? ?(t)X(t)dt.
Випадкові процеси:
Xi(t) = Viφi(t) (i = 1n)
Де φi(t) – задані речовинні функції
Vi - випадкові величини з характеристиками
M(VI = 0), D(VI) = DI, M(ViVj) = 0 (i ≠ j)
Називають елементарними.
Канонічним розкладанням випадкового процесу X(t) називають його подання у вигляді
X(t) = mx(t) + ∑ Viφi(t) (t € T)
Де Vi – коефіцієнти, а φi(t) – координатні функції канонічного розкладання процесу X(t). З відносин:
M(VI = 0), D(VI) = DI, M(ViVj) = 0 (i ≠ j)
X(t) = mx(t) + ∑ Viφi(t) (t € T)
Треба:
K(t, t’) = ∑ Diφi(t)φi(t’)
Цю формулу називають канонічним розкладанням кореляційної функції випадкового процесу.
У випадку рівняння
X(t) = mx(t) + ∑ Viφi(t) (t € T)
Мають місце формули:
X(t) = mx(t) + ∑ Viφ(t)
∫ x(τ)dt = ∫ mx(τ)dτ + ∑ Vi ∫ φi(t)dt.
Таким чином, якщо процес X(t) представлений його канонічним розкладанням, те похідна й інтеграл від нього також можуть бути представлені у вигляді канонічних розкладань.
2. Марковські випадкові процеси з дискретними станами
Випадковий процес, що протікає в деякій системі S з можливими станами S1, S2, S3, …, називається Марковським, або випадковим процесом без наслідку, якщо для будь-якого моменту часу t0 імовірні характеристики процесу в майбутньому (при t>t0) залежить тільки від його стану в цей момент t0 і не залежать від того, коли і як система прийшла в цей стан; тобто не залежать від її поводження в минулому (при t
Прикладом Марковського процесу: система S – лічильник у таксі. Стан системи в момент t характеризується числом кілометрів (десятих часток кілометрів), пройдених автомобілем до даного моменту. Нехай у момент t0 лічильник показує S0/ Імовірність того, що в момент t>t0 лічильник покаже те або інше число кілометрів (точніше, що відповідає число рублів) S1 залежить від S0, але не залежить від того, у які моменти часу змінилися показання лічильника до моменту t0.
Багато процесів можна приблизно вважати Марковськими. Наприклад, процес гри в шахи; система S – група шахових фігур. Стан системи характеризується числом фігур супротивника, що збереглися на дошці в момент t0. Імовірність того, що в момент t>t0 матеріальна перевага буде на боці одного із супротивників, залежить у першу чергу від того, у якому стані перебуває система в цей момент t0, а не від того, коли й у якій послідовності зникли фігури з дошки до моменту t0.
У ряді випадків передісторією розглянутих процесів можна просто зневажити й застосовувати для їхнього вивчення Марковські моделі.
Марковським випадковим процесом з дискретними станами й дискретним часом (або ланцюгом Маркова) називається Марковський процес, у якому його можливі стани S1, S2, S3, … можна заздалегідь перелічити, а перехід зі стану в стан відбувається миттєво (стрибком), але тільки в певні моменти часу t0, t1, t2, ..., називані кроками процесу.
Позначимо pij – імовірність переходу випадкового процесу (системи S) зі стану I у стан j. Якщо ці ймовірності не залежать від номера кроку процесу, то такий ланцюг Маркова називається однорідної.
Нехай число станів системи звичайно й дорівнює m. Тоді її можна характеризувати матрицею переходу P1, що містить всі ймовірності переходу:
p11 p12 … p1m
p21 p22 … p2m
… … … …
Pm1 pm2 … pmm
Природно, по кожному рядку ∑ pij = 1, I = 1, 2, …, m...
Позначимо pij(n) – імовірністю того, що в результаті n кроків система перейде зі стану I у стан j. При цьому при I = 1 маємо ймовірності переходу, що утворять матрицю P1, тобто pij(1) = pij
Необхідно, знаючи ймовірності переходу pij, знайти pij(n) – імовірності переходу системи зі стану I у стан j за n кроків. Із цією метою будемо розглядати проміжне (між I і j) стан r, тобто будемо вважати, що з первісного стану I за k кроків система перейде в проміжний стан r з імовірністю pir(k), після чого за що залишилися n-k кроків із проміжного стану r вона перейде в кінцевий стан j з імовірністю prj(n-k). Тоді по формулі повної ймовірності
Pij(n) = ∑ pir (k) prj (n-k) – рівність Маркова.
Переконаємося в тім, що, знаючи всі ймовірності переходу pij = pij(1), тобто матрицю P1 переходу зі стану в стан за один крок, можна знайти ймовірність pij(2), тобто матрицю P2 переходи зі стану в стан за два кроки. А знаючи матрицю P2, - знайти матрицю P3 переходи зі стану в стан за три кроки, і т.д.
Дійсно, думаючи n = 2 у формулі Pij(n) = ∑ pir (k) prj (n-k), тобто k=1 (проміжне між кроками стан), одержимо
Pij(2) = ∑ pir(1)prj (2-1) = ∑ pir prj
Отримана рівність означає, що P2 =P1P1 = P21
Думаючи n = 3, k = 2, аналогічно одержимо P3 = P1P2 = P1P12 = P13, а в загальному випадку Pn = P1n
Приклад
Сукупність родин деякого регіону можна розділити на три групи:
родини, що не мають автомобіля й не збираються його купувати;
родини, що не мають автомобіля, але які бажаютьйого придбати;
родини, що мають автомобіль.
Проведене статистичне обстеження показало, що матриця переходу за інтервал в один рік має вигляд:
0,8 0,1 0,1
0 0,7 0,3
0 0 1
(У матриці P1 елемент р31 = 1 означає ймовірність того, що родина, що має автомобіль, також буде його мати, а, наприклад, елемент р23 = 0,3 – імовірність того, що родина, що не мала автомобіля, але намагаються його придбати, здійснить свій намір у наступному році, і т.д.)
Знайти ймовірність того, що:
родина, що не мала автомобіля й не хоче його придбати, буде перебувати в такій же ситуації через два роки;
родина, що не мала автомобіля, але які бажають його придбати, буде мати автомобіль через два роки.
Рішення: знайдемо матрицю переходу Р2 через два роки:
0,8 0,1 0,1 0,8 0,1 0,1 0,64 0,15 0,21
0 0,7 0,3 0 0,7 0,3 0 0,49 0,51
0 0 1 0 0 1 0 0 1
Тобто шукані в прикладі 1) і 2) імовірності рівні відповідно
р11 =0,64, р23 =0,51
Далі розглянемо Марковський випадковий процес із дискретними станами й безперервним часом, у якому, на відміну від розглянутої вище ланцюга Маркова, моменти можливих переходів системи зі стану не фіксовані заздалегідь, а випадкові.
При аналізі випадкових процесів з дискретними станами зручно користуватися геометричною схемою – так званим графіком подій. Звичайно стану системи зображуються прямокутниками (кружками), а можливі переходи зі стану в стан - стрілками (орієнтованими дугами), що з'єднують стану.
Приклад. Побудувати граф станів наступного випадкового процесу: пристрій S складається із двох вузлів, кожний з яких у випадковий момент часу може вийти з ладу, після чого миттєво починається ремонт вузла, що триває заздалегідь невідомий випадковий час.
Рішення. Можливі стани системи: S0 – обидва вузли справні; S1 – перший вузол ремонтується, другий справний; S2 – другий вузол ремонтується, перший справний; S3 – обидва вузли ремонтуються.
Стрілка, напрямку, наприклад, з S0 в S1, означає перехід системи в момент відмова першого вузла, з S1 в S0 – перехід у момент закінчення ремонту цього вузла. На графі відсутні стрілки з S0 в S3 і з S1 в S2. Це пояснюється тим, що виходи вузлів з ладу передбачається незалежними друг від друга й, наприклад, імовірностями одночасного виходу з ладу двох вузлів (перехід з S0 в S3) або одночасне закінчення ремонтів двох вузлів (перехід з S3 в S0) можна зневажити.
3. Стаціонарні випадкові процеси
Випадковий процес Х(t) називають стаціонарним у вузькому змісті, якщо
F(x1, …, xn; t1, …, tn) = F(x1, …, xn; t1+∆, …, tn+∆)
При довільних
n≥1, x1, …, xn, t1, …, tn; ∆; t1 € T, ti + ∆ € T...
Тут F(x1, …, xn; t1, …, tn) – n-мірна функція розподілу випадкового процесу Х(t).
Випадковий процес Х(t) називають стаціонарним у широкому змісті, якщо
m(t) = m(t + ?), K(t, t') = K(t + ?, t' + ?)
(t € T, t' € T, t + ?€ T), t' + ?€ T)
Очевидно, що зі стаціонарності у вузькому змісті треба стаціонарність у широкому змісті.
З формул:
m(t) = m(t + ?), K(t, t') = K(t + ?, t' + ?)
(t € T, t' € T, t + ?€ T), t' + ?€ T)
Треба, що для процесу, стаціонарного в широкому змісті, можна записати
m (t) = mx(0) = const;
D (t) = K(t, t) = K(0,0) = const;
K(t, t') = K(t - t', 0) = K (0, t' - t)
Таким чином, для процесу, стаціонарного в широкому змісті, математичне очікування й дисперсія не залежать від часу, а K(t, t') представляє собою функцію виду:
K(t, t') = k(?) = k(-?), ? = t' - t.
Видно, що k(?) - парна функція, при цьому
K(0) = В = σ2; |k(τ)| ≤ k(0); ∑ ∑ άi αj k(ti - tj) ≥ 0
Тут D - дисперсія стаціонарного процесу
Х(t), αi (I = 1, n) – довільні числа.
Перша рівність системи
K(0) = В = σ2; |k(τ)| ≤ k(0); ∑ ∑ άi αj k(ti - tj) ≥ 0
треба з рівняння K(t, t') = k(?) = k(-?), ? = t' - t. Перша рівність
K(0) = В = σ2; |k(τ)| ≤ k(0); ∑ ∑ άi αj k(ti - tj) ≥ 0 - простий наслідок нерівності Шварца для перетинів X(t), X(t') стаціонарного випадкового процесу X(t). Остання нерівність:
K(0) = В = σ2; |k(τ)| ≤ k(0); ∑ ∑ άi αj k(ti - tj) ≥ 0
Одержують у такий спосіб:
∑ ∑ αi αj k(ti - tj) = ∑ ∑ K(ti, tj)αi αj = ∑ ∑ M[(αiXi)(αjXj)] = M[(∑ αiXi)2] ≥0
З огляду на формулу кореляційної функції похідній dX(t)/dt випадкового процесу, для стаціонарної випадкової функції X(t) одержимо
K1(t, t’) = M[(dX(t)/dt)*(dX(t’)/dt’)] = δ2K(t, t’) / δtδt’ = δ2k(t’ - t) / δt?t'
Оскільки
?k(t' - t) / ?t = (?k(?) / ??) * (?? / ??) = - ?k(?) / ??,
δ2k(t’ - t) / δtδt’ = - (δ2 k(τ) / δτ2) * (δτ / δt’) = - (δ2 k(τ) / δτ2)
те K1(t, t’) = k1(τ) = - (δ2 k(τ) / δτ2), τ = t' - t.
Тут K1(t, t’) і k1(τ) – кореляційна функція першій похідній стаціонарного випадкового процесу X(t).
Для n-й похідній стаціонарного випадкового процесу формула кореляційної функції має вигляд:
Kn(τ) = (-1)n * (δ2n *k(τ) / δτ2n)
Теорема. Стаціонарний випадковий процес X(t) з кореляційною функцією k(?) безперервний у середньому квадратичному у крапці t € T тоді й тільки тоді, коли
Lim k(?) = k(0)
Для доказу запишемо очевидний ланцюжок рівностей:
M [|X(t+τ)-X(T)|2] = M[|X(t)|2] – 2M[|X(t+τ)X(t)|] + M[X(t)2] =
= 2D-2k(?) = 2[k(0)-k(?)].
Звідси очевидно, що умова безперервності в середньому квадратичному процесу X(t) у крапці t € T
Lim M[|X(t+τ) – X(t)|2] = 0
Має місце тоді й тільки тоді, коли виконується Lim k(?) = k(0)
Теорема. Якщо кореляційна функція k(τ) стаціонарного випадкового процесу X(t) безперервна в середньому квадратичному у крапці τ=0, то вона безперервна в середньому квадратичному у будь-якій крапці τ € R1.
Для доказу запишемо очевидні рівності:
k(?+??)-k(?) = M[X(t+?+??)X(t)] - M[X(t+?)X(t)] =