Семейства случайных величин
ОСНОВЫ ТЕОРИИ СЛУЧАЙНЫХ ПРОЦЕССОВ
В практике научных исследований и технических разработок случайные процессы в настоящее время занимают столь большое место, что без создания эффективных методов их описания и изучения нельзя говорить о дальнейшем научно-техническом прогрессе.
Дать формальное определение случайного процесса, сочетающее в себе физическую сущность и математическую строгость, чрезвычайно трудно. Интуитивные представления о случайном процессе связаны в основном с непредсказуемостью его мгновенных значений. Математически строгое определение требует введения понятия ансамбля, т.е. бесконечной совокупности реализаций. С физической точки зрения вполне допустимо представление случайного процесса одной реализацией. С математической точки зрения отдельная реализация является детерминированной функцией времени, с помощью которой определить статистические свойства процесса можно лишь при выполнении определенных условий.
Выбор целесообразного уровня строгости описания случайных процессов при решении прикладных задач в значительной степени определяет качество получаемых результатов [1]. Вместе с тем уровень строгости описания должен соответствовать уровню представлений и характеру решаемых задач.
Семейства случайных величин
С точки зрения практических приложений [2] любая меняющаяся система, находящаяся под влиянием случайных факторов, представляет собой случайный процесс. В соответствии со сказанным случайный процесс может быть охарактеризован как процесс, мгновенное значение которого в произвольный момент времени представляет собой случайную величину [1].
Рассмотрим простой случай, когда состояние системы достаточно хорошо определяется одной количественной характеристикой. Эта величина x(t) в каждый фиксированный момент t не является однозначно определенной, как в случае детерминированных систем, а зависит от случайных факторов, которые влияли на систему до момента t. При построении математической модели этого процесса естественно рассматривать x(t) в каждый фиксированный момент t как случайную величину, определенную на некотором вероятностном пространстве (W, F, P). Когда t меняется в рассматриваемом промежутке времени, получаем семейство случайных величин x(t), зависящих от параметра t и определенных на одном и том же вероятностном пространстве. Элементарными событиями w в этом вероятностном пространстве будут возможные исходы случайного эксперимента, который определяет поведение системы в целом.
Пусть (W, F, Р) – некоторое вероятностное пространство, T – множество значений параметра. Случайным процессом называется конечная вещественная функция x(t, w),которая при каждом фиксированном t Î T является измеримой функцией от w Î W.
Легко получить обобщенную форму этого определения в случае, когда для полного описания состояния системы при каждом фиксированном значении параметра t необходимо знать несколько величин x1(t), ..., xn(t). Если рассматривать xj(t) как компоненты случайного вектора x(t, w) = = {x1(t, w), ..., xn(t, w)}, то семейство случайных векторов, получающееся при изменении t на множестве Т, будет определять векторный случайный процесс.
Итак, x(t) – случайный процесс. При каждом фиксированном t = t1 случайная величина x(t1) = (t1, w) имеет определенное распределение вероятностей, функцию распределения которой обозначим F(x, t1) = P{x(t1) £ £ x}.
Пусть t1, ..., tn – произвольное конечное множество значений t. Соответствующие случайные величины x(t1), ..., x(tn) имеют совместную функцию распределения
F(х1, ..., хn, t1, ..., tn) = Р{x(t1) £ х1, ..., x(tn) £ xn}.
Семейство таких совместных распределений для n = 1, 2, ... и всех возможных значений tj называется семейством конечномерных распределений процесса x(t). Это одно из основных понятий теории, и многие существенные свойства случайного процесса определяются свойствами семейства его конечномерных распределений. Конечномерные распределения случайного процесса должны удовлетворять условиям симметрии и согласованности.
Условие симметрии требует, чтобы n-мерные функции распределения, введенные выше, были симметричными по всем параметрам (хj, tj), т.е. чтобы эти функции распределения не менялись при одновременной перестановке хj и tj.
Условие согласованности выражается соотношением
= F(xj, ..., xn-1; t1, ..., tn-1),
которое следует из очевидного факта: w – множество, определенное неравенствами
x(t1) £ x1, ..., x(tn-1) £ xn-1, x(tn) £ xn,
при xn ® ¥ приближается к множеству
{w, x(t1) £ x1, ..., x(tn-1) £ xn-1}.
Два случайных процесса x(t) и h(t) называются эквивалентными, если при каждом фиксированном t множества значений параметра x(t) и h(t) являются эквивалентными случайными величинами, так что x(t) = h(t) с вероятностью единица. Очевидно, семейства конечномерных распределений у эквивалентных процессов совпадают.
Выборочные функции
Случайный процесс может быть определен математически как функция двух переменных t и w, области изменения которых приведены в § 1.1. Причем, с одной стороны, x(t, w) при каждом фиксированном t является измеримой функцией элементарного события w, т.е. случайной величиной.
С другой стороны, x(t, w) для каждого фиксированного элементарного события w в данном вероятностном пространстве становится функцией от t, определенной для всех t Î Т. Иначе говоря, каждому w или каждому возможному исходу случайного эксперимента соответствует некоторая однозначно определенная функция от t. Эта функция x(t) = x(t, w) с фиксированным w описывает эволюцию (во времени, в пространстве или в каком-нибудь ином смысле) меняющейся системы в случае, когда элементарное событие w явилось результатом рассматриваемого случайного эксперимента. В соответствии с этим каждая функция x(t) называется реализацией, или траекторией, или выборочной функцией случайного процесса.
На рис. 1.1 показано по одной реализации четырех различных случайных процессов [3].
Рис. 1.1. Наблюдаемые значения случайных процессов: а – замирание интенсивности (l) радиосигналов; б – пульсация температуры (Т) воздуха в точке атмосферы; в – пульсация разности скоростей (DV) ветра в двух точках атмосферы, находящихся на расстоянии 8 см друг от друга; г – изменение диаметра (Dd) ткацкой нити вдоль длины нити
Реализация x(t) может рассматриваться как «точка» в пространстве x всех конечных вещественных функций x(t) переменного t Î T. Пространство x называется пространством выборочных функций или просто выборочным пространством случайного процесса.
Случайный процесс x(t, w) определяет функцию, переводящую каждую точку w вероятностного пространства (W, F, Р) в некоторую точку пространства выборочных функций x. Эта функция индуцирует некоторое распределение вероятности в x. Множество А1 из x является множеством функций от t. Отсюда, каждое множество функций А1 имеет прообразом некоторое w-множество А, состоящее из всех точек w, таких, что соответствующие функции x(t) = x(t, w) принадлежат А1. Индуцированная вероятностная мера Р1 в x определяется для всех А1 Î F соотношением Р1(А1) = Р(А). Тройка (x, F1, Р1) представляет собой новое вероятностное пространство, соответствующее индуцированному распределению.
На вероятностном языке Р1(А1) означает вероятность того, что реализация x(t) случайного процесса будет принадлежать множеству А1 пространства всех выборочных функций x. Поэтому x(t) можно рассматривать как случайную функцию, принимающую различные «значения» в x в соответствии с вероятностной мерой Р1(А1).
При изучении важных классов случайных процессов, как и в различных приложениях, нас будут интересовать свойства распределений вероятности в выборочном пространстве, индуцированных рассматриваемыми процессами. Например, потребуется находить вероятность того, что реализации данного процесса обладают тем или иным свойством, т.е. принадлежат некоторому определенному множеству А1 функционального пространства Х.
В связи с этим возникает вопрос: в какой степени распределение вероятностей в выборочном пространстве x, индуцированное данным процессом, определяется семейством конечномерных распределений этого процесса? Кроме того, если на множестве значений параметра T задано некоторое семейство конечномерных распределений, то при каких условиях существует случайный процесс, имеющий эти распределения?
Ответ на эти вопросы содержится в теореме Колмогорова, которая будет представлена в следующем разделе.
Дата добавления: 2021-01-11; просмотров: 380;