Что значит "стационарный случайный процесс". Стационарный случайный процесс

Стационарный случайный процесс

важный специальный класс случайных процессов (См. Случайный процесс), часто встречающийся в приложениях теории вероятностей к различным разделам естествознания и техники. Случайный процесс X (t ) называется стационарным, если все его вероятностные характеристики не меняются с течением времени t (так что, например, распределение вероятностей величины X (t ) при всех t является одним и тем же, а совместное распределение вероятностей величин X (t 1 ) и X (t 2 ) зависит только от продолжительности промежутка времени t 2 -t 1 , т. е. распределения пар величин {X (t 1 ), X (t 2 )} и {X (t 1 + s ), X (t 2 + s )} одинаковы при любых t 1 , t 2 и s и т. д.).

Схема С. с. п. с хорошим приближением описывает многие реальные явления, сопровождающиеся неупорядоченными флуктуациями. Так, например, пульсации силы тока или напряжения в электрической цепи (электрический «шум») можно рассматривать как С. с. п., если цепь эта находится в стационарном режиме, т. е. если все её макроскопические характеристики и все условия, вызывающие протекание через неё тока, не меняются во времени; пульсации скорости в точке турбулентного течения представляют собой С. с. п., если не меняются общие условия, порождающие рассматриваемое течение (т. е. течение является установившимся), и т.д. Эти и другие примеры С. с. п., встречающиеся в физике (в частности, гео- и астрофизике), механике и технике, стимулировали развитие исследований в области С. с. п.; при этом существенными оказались также и некоторые обобщения понятия С. с. п. (например, понятия случайного процесса со стационарными приращениями заданного порядка, обобщённого С. с. п. и однородного случайного поля).

В математической теории С. с. п. основную роль играют моменты распределении вероятностей значений процесса X (t ), являющиеся простейшими числовыми характеристиками этих распределений. Особенно важны моменты первых двух порядков: среднее значение С. с. п. EX (t ) = m - математическое ожидание случайной величины X (t ) и корреляционная функция С. с. п. EX (t 1 ) X (t 2 )= B (t 2 -t 1 ) - математическое ожидание произведения X (t 1 ) X (t 2 ) (просто выражающееся через дисперсию величин X (t ) и коэффициент корреляции между X (t 1 ) и X (t 2 ); см. Корреляция). Во многих математических исследованиях, посвященных С. с. п., вообще изучаются только те их свойства, которые полностью определяются одними лишь характеристиками m и В (τ) (т. н. корреляционная теория С. с. п.). В этой связи случайные процессы X (t ), имеющие постоянное среднее значение EX (t ) = m и корреляционную функцию В (t 2 , t 1 ) = EX (t 1 ) X (t 2 ), зависящую только от t 2 - t 1 , часто называют С. с. п. в широком смысле (а более частные случайные процессы, все характеристики которых не меняются с течением времени, в таком случае называются С. с. п. в узком смысле).

Большое место в математической теории С. с. п. занимают исследования, опирающиеся на разложение случайного процесса X (t ) и его корреляционной функции B (t 2 -t 1 ) = В (τ) в интеграл Фурье, или Фурье - Стилтьеса (см. Фурье интеграл). Основную роль при этом играет теорема Хинчина, согласно которой корреляционная функция С. с. п. X (t ) всегда может быть представлена в виде

где F (λ) - монотонно неубывающая функция λ (а интеграл справа - это интеграл Стилтьеса); если же В (τ) достаточно быстро убывает при |τ|→∞ (как это чаще всего и бывает в приложениях при условии, что под X (t ) понимается на самом деле разность X (t ) - m ), то интеграл в правой части (1) обращается в обычный интеграл Фурье:

где f (λ) = F’ (λ) - неотрицательная функция. Функция F (λ) называемая спектральной функцией С. с. п. X (t ), а функция F (λ) [в случаях, когда имеет место равенство (2)] - его спектральной плотностью. Из теоремы Хинчина вытекает также, что сам процесс X (t ) допускает Спектральное разложение вида

где Z (λ) - случайная функция с некоррелированными приращениями, а интеграл справа понимается как предел в среднем квадратичном соответствующей последовательности интегральных сумм. Разложение (3) даёт основание рассматривать любой С. с. п. X (t ) как наложение некоррелированных друг с другом гармонических колебаний различных частот со случайными амплитудами и фазами; при этом спектральная функция F (λ) и спектральная плотность f (λ) определяют распределение средней энергии входящих в состав X (t ) гармонических колебаний по спектру частот λ (в связи с чем в прикладных исследованиях функция f (λ) часто называется также энергетическим спектром или спектром мощности С. с. п. X (t )).

Выделение понятия С. с. п. и получение первых относящихся к нему математических результатов являются заслугой Е. Е. Слуцкого (См. Слуцкий) и относятся к концу 20-х и началу 30-х гг. 20 в. В дальнейшем важные работы по теории С. с. п. были выполнены А. Я. Хинчин ым, А. Н. Колмогоров ым, Г. Крамер ом, Н. Винер ом и др.

Лит.: Слуцкий Е. Е., Избр. тр., М., 1960; Хинчин А. Я., Теория корреляции стационарных стохастических процессов, «Успехи математических наук», 1938, в. 5, с, 42-51; Розанов Ю. А., Стационарные случайные процессы, М., 1963; Прохоров Ю. В., Розанов Ю. А., Теория вероятностей. (Основные понятия. Предельные теоремы. Случайные процессы), 2 изд., М., 1973; Гихман И. И., Скороход А. В., Теория случайных процессов, т. 1, М., 1971; Хеннан Э., Многомерные временные ряды, пер. с англ., М., 1974.

А. М. Яглом.

Большая советская энциклопедия. - М.: Советская энциклопедия . 1969-1978 .

Смотреть что такое "Стационарный случайный процесс" в других словарях:

Случайный процесс, определённый для всех моментов времени,стохастич. характеристики к рого не зависят от выбора нач. момента отсчёта(т. е. не меняются при замене Более точно это означает, что для любого набора моментов времени t1,...,tn… … Физическая энциклопедия

Стационарный случайный процесс

важный специальный класс случайных процессов, часто встречающийся в приложениях теории вероятностей к различным разделам естествознания и техники. Случайный процесс X (t) называется стационарным, если все его вероятностные характеристики не меняются с течением времени t (так что, например, распределение вероятностей величины X (t) при всех t является одним и тем же, а совместное распределение вероятностей величин X (t

зависит только от продолжительности промежутка времени t2≈t1, т. е. распределения пар величин {X (t1), X (t2)} и {X (t1 + s), X (t2 + s)} одинаковы при любых t1, t2и s и т.д.).

В математической теории С. с. п. основную роль играют моменты распределении вероятностей значений процесса X (t), являющиеся простейшими числовыми характеристиками этих распределений. Особенно важны моменты первых двух порядков: среднее значение С. с. п. EX (t) = m ≈ математическое ожидание случайной величины X (t) и корреляционная функция С. с. п. EX (t1) X (t2)= B (t2≈t1) ≈ математическое ожидание произведения X (t1) X (t2) (просто выражающееся через дисперсию величин X (t) и коэффициент корреляции между X (t1) и X (t2); см. Корреляция). Во многих математических исследованиях, посвященных С. с. п., вообще изучаются только те их свойства, которые полностью определяются одними лишь характеристиками m и В (t) (т. н. корреляционная теория С. с. п.). В этой связи случайные процессы X (t), имеющие постоянное среднее значение EX (t) = m и корреляционную функцию В (t2, t1) = EX (t1) X (t2), зависящую только от t2 ≈ t1, часто называют С. с. п. в широком смысле (а более частные случайные процессы, все характеристики которых не меняются с течением времени, в таком случае называются С. с. п. в узком смысле).

Большое место в математической теории С. с. п. занимают исследования, опирающиеся на разложение случайного процесса X (t) и его корреляционной функции B (t2 ≈t1) = В (t) в интеграл Фурье, или Фурье ≈ Стилтьеса (см. Фурье интеграл). Основную роль при этом играет теорема Хинчина, согласно которой корреляционная функция С. с. п. X (t) всегда может быть представлена в виде

где F (l) ≈ монотонно неубывающая функция l (а интеграл справа ≈ это интеграл Стилтьеса); если же В (t) достаточно быстро убывает при |t|╝¥ (как это чаще всего и бывает в приложениях при условии, что под X (t) понимается на самом деле разность X (t) ≈ m), то интеграл в правой части (1) обращается в обычный интеграл Фурье:

где f (l) = F▓(l) ≈ неотрицательная функция. Функция F (l) называемая спектральной функцией С. с. п. X (t), а функция F (l) [в случаях, когда имеет место равенство (2)] ≈ его спектральной плотностью. Из теоремы Хинчина вытекает также, что сам процесс X (t) допускает спектральное разложение вида

где Z (l) ≈ случайная функция с некоррелированными приращениями, а интеграл справа понимается как предел в среднем квадратичном соответствующей последовательности интегральных сумм. Разложение (3) даёт основание рассматривать любой С. с. п. X (t) как наложение некоррелированных друг с другом гармонических колебаний различных частот со случайными амплитудами и фазами; при этом спектральная функция F (l) и спектральная плотность f (l) определяют распределение средней энергии входящих в состав X (t) гармонических колебаний по спектру частот l (в связи с чем в прикладных исследованиях функция f (l) часто называется также энергетическим спектром или спектром мощности С. с. п. X (t)).

Выделение понятия С. с. п. и получение первых относящихся к нему математических результатов являются заслугой Е. Е. Слуцкого и относятся к концу 20-х и началу 30-х гг. 20 в. В дальнейшем важные работы по теории С. с. п. были выполнены А. Я. Хинчиным, А. Н. Колмогоровым, Г. Крамером, Н. Винером и др.

Лит.: Слуцкий Е. Е., Избр. тр., М., 1960; Хинчин А. Я., Теория корреляции стационарных стохастических процессов, «Успехи математических наук», 1938, в. 5, с, 42≈51; Розанов Ю. А., Стационарные случайные процессы, М., 1963; Прохоров Ю. В., Розанов Ю. А., Теория вероятностей. (Основные понятия. Предельные теоремы. Случайные процессы), 2 изд., М., 1973; Гихман И. И., Скороход А. В., Теория случайных процессов, т. 1, М., 1971; Хеннан Э., Многомерные временные ряды, пер. с англ., М., 1974.

Стационарным случайным процессом называется такой процесс, вероятностные характеристики которого не зависят от времени. Все плотности вероятностей не меняются при любом сдвиге рассматриваемого участка процесса во времени, т. е. при сохранении постоянной разности.

Можно сказать, что стационарный случайный процесс в какой-то мере аналогичен обычным стационарным или установившимся процессам в автоматических системах. Например, при рассмотрении обычных установившихся периодических колебаний ничего не изменится, если перенести начало отсчета на какую-нибудь величину. При этом сохранят свои значения такие характеристики, как частота, амплитуда, среднеквадратичное значение и т. п.

В стационарном случайном процессе закон распределения один и тот же для каждого момента времени, т. е. плотность вероятности не зависит от времени:

Отсюда получаем вдоль всего случайного процесса. Следовательно, в стационарном случайном процессе средняя линия, в отличие от общего случая (см. рис. 11.12), будет прямая (рис. 11.13), подобно постоянному смещению средней линии обычных периодических

колебаний. Рассеяние значений переменной х в стационарном случайном процессе, определяемое также будет все время одинаковым, подобно постоянному значению среднеквадратичного отклонения обычных установившихся колебаний от средней линии.

Аналогичным образом и двумерная плотность вероятности также будет «дна и та же для одного и того же промежутка времени - между любыми (рис. 11.13), т. е.

и также для -мерной плотности вероятности.

Задание всех этих функций распределения плотности определяет случайный процесс. Однако более удобно иметь дело с некоторыми осредненными и характеристиками процесса.

Прежде чем перейти к ним, отметим два важных для практики свойства.

1. Ограничиваясь только стационарными случайными процессами, можно будет определить только установившиеся (стационарные) динамические ошибки автоматических систем при случайных воздействиях. Такой прием применялся и ранее при рассмотрении регулярных воздействий, когда определялись динамические свойства систем регулирования по величине динамических ошибок в установившемся периодическом режиме.

2. Стационарные случайные процессы обладают замечательным свойством, которое известно под названием эргодической гипотезы.

Для стационарного случайного процесса с вероятностью, равной единице (т. е. практически достоверно), всякое среднее по множеству равно соответствующему среднему по времени, в частности

В самом деле, поскольку вероятностные характеристики стационарного случайного процесса с течением времени не меняются (например, то длительное наблюдение случайного процесса на одном объекте (среднее но времени) дает в среднем такую же картину, как и большое число наблюдений, сделанное в один и тот же момент времени на большом числе одинаковых объектов (среднее по множеству).

Для многих случаев существует математическое доказательство этого свойства. Тогда оно сводится к эргодической теореме.

Итак, среднее значение (математическое ожидание) для стационарного процесса будет

Аналогичным образом могут быть записаны моменты более высоких порядков - дисперсия, среднеквадратичное отклонение и т. п.

Эргодическая гипотеза позволяет сильно упрощать все расчеты и эксперименты. Она позволяет для определения вместо параллельного испытания многих однотипных систем в один и тот же момент времени, пользоваться одной кривой полученной при испытании одной системы в течение длительного времени.

Таким образом, важное свойство стационарного случайного процесса состоит в том, что отдельная его реализация на бесконечном промежутке времени полностью определяет собой весь случайный процесс со всеми бесчисленными возможными его реализациями. Этим свойством не обладает никакой другой тип случайного процесса.

Стационарным случайным процессом в узком смысле называется случайный процесс, у которого n -мерная плотность вероятности не изменится, если все отсчеты времени сместить на одну и ту же величину:

Если выбрать , то n -мерная плотность вероятности не будет зависеть от начала отсчета времени

Таким образом, для стационарного процесса одномерная плотность вероятности вообще не зависит от времени, а двумерная плотность зависит не в отдельности от t 1 и t 2 , а от их разности

В свою очередь, из выражений (2.9) и (2.10) вытекает, что математическое ожидание и дисперсия стационарного процесса не зависят от времени, а корреляционная функция зависит от t :

(2.11)

(2.12)

Из (2.11), (2.12) и (2.13) следует, что математическое ожидание постоянно и поэтому для стационарного процесса характеризует постоянную составляющую процесса; постоянность характеризует то, что в каждой точке времени t средняя удельная мощность флюктуаций (то есть мощность переменной составляющей) одна и та же; зависимость от означает, что для стационарного процесса неважно, в каких точках t 1 и t 2 берутся сечения, важна разность между ними .

Если условие (2.7) не выполняется, то случайный процесс называется нестационарным . Иногда о стационарности судят только по выполнению равенств (2.9), (2.10) и, соответственно, (2.11) - (2.13). Говорят, что, если выполняются равенства (2.9) и (2.10), то процесс является стационарным, не интересуясь при этом, выполняется условие (2.7) или нет. Такой подход дает более широкое толкование стационарности.

Определение стационарного процесса в широком смысле является более приемлемым для решения практических задач, так как проще получать данные об одномерной и двумерной плотностях вероятности, чем о многомерной.

В строгом смысле физически не существует стационарных случайных процессов, так как любой процесс должен начаться в определенный момент времени в прошлом и, вероятно, завершиться в некоторый момент в будущем. Однако есть много физических ситуаций, когда статистические характеристики процесса не изменяются на интервале времени наблюдения. В этих случаях предположение о стационарности приводит к удобной математической модели, которая является достаточно точной аппроксимацией реальной ситуации.

Эргодическое свойство стационарных случайных процессов

Среди всех стационарных процессов имеется часть, которая обладает эргодическим свойством. Поясним это свойство. Пусть имеется одна длинная реализация x (t ) случайного процесса (t ). Эта реализация определена на интервале Найдем среднее значение этой реализации путем ее усреднения во времени на достаточно большом интервале:

(2.14)

где черта сверху означает усреднение по времени, среднее значение является постоянной величиной, не зависящей от t .

Аналогично можно найти среднее значение квадрата флюктуаций и среднее значение произведения флюктуаций, смещенных одна относительно другой на интервал :

(2.15)

По своему физическому смыслу величины (2.14) - (2.16) являются числовыми характеристиками, совпадающими со средним значением, дисперсией и корреляционной функцией процесса (t). Однако они получены в результате усреднения во времени одной длинной реализации x(t) или функции от нее.

Говорят, что стационарный процесс обладает эргодическим свойством , если с вероятностью, близкой к единице, числовые характеристики, полученные в результате усреднения одной длинной реализации по времени, равны этим же характеристикам, полученным в результате усреднения по ансамблю. При этом усреднением по ансамблю называют определение числовых характеристик с использованием плотности вероятности, то есть по формулам (2.11) - (2.13), так как плотность вероятности характеризует всю совокупность или ансамбль реализаций.

Таким образом, для эргодического стационарного процесса справедливы равенства:

, (2.17)

Само слово «эргодический»происходит от греческого «эргон», что означает «работа». Эргодическое свойство является удобной рабочей гипотезой для расчета числовых характеристик стационарного процесса, когда располагают одной длинной его реализацией. Физически это обосновано тем, что одна длинная реализация может содержать сведения обо всех реализациях этого случайного процесса.

Заметим, что стационарность процесса является необходимым, но недостаточным условием эргодичности. Это означает, что не все стационарные процессы являются эргодическими. В общем случае трудно, если только вообще возможно, доказать, что эргодичность - обоснованное допущение для какого-либо физического процесса, так как может наблюдаться только одна реализация этого процесса. Тем не менее, обычно имеет смысл предположить эргодичность процесса, если только отсутствуют веские доводы физического характера, препятствующие этому.

Важным классом случайных процессов являются стационарные случайные процессы, то есть, случайные процессы, не изменяющие свои характеристики с течением времени. Они имеют вид непрерывных случайных колебаний вокруг некоторого среднего значения. Таковыми являются: давление газа в газопроводе, колебания самолёта при «автополёте», колебания напряжения в электрической сети и т.д.

Случайный процессназывается стационарным в широком смысле ,если его математическое ожидание
есть постоянное число, а корреляционная функция
зависит только от разности аргументов, т.е.

Из этого определения следует, что корреляционная функция стационарного процесса есть функция одного аргумента: Это обстоятельство часто упрощает операции над стационарными случайными процессами.

Случайный процесс называют стационарным в узком смысле , если его характеристики зависят не от значений аргументов, а лишь от их взаимного расположения. То есть, для функции распределения сечений процесса должно выполняться равенство:

при любых

Отметим, что из стационарности СП в узком смысле следует стационарность его в широком смысле, обратное утверждение неверно.

В дальнейшем мы будем рассматривать только стационарные случайные процессы в широком смысле. Далее приведем основные свойства корреляционной функции случайного стационарного процесса (с.с.п.).

1. Дисперсия с.с.п. постоянна и равна значению корреляционной функции в нуле, т.е.

То есть в начале координат.

2. Корреляционная функция с.с.п. является чётной функцией, т.е.

3. Абсолютное значение корреляционной функции с.с.п. не превосходит её значение при
, т.е.

Нормированная корреляционна функция с.с.п. является неслучайная функция аргумента , т.е.

при этом в соответствии свойство 3 имеет место неравенство

Пример 6 . Задана случайная функция,

равномерно распределённая случайная величина, в интервале

Доказать, что

Решение. Найдём математическое ожидание

На основании определения м.о. получим (с учётом равномерной распределённости с.в. , по условию контроля
)

Следовательно,

Найдём корреляционную функцию. Учитывая, что центрированная и случайная функция равны (т.к.
), т.е., то согласно определению корреляционной функции (см.пункт 16.5) имеем

поскольку ).

Задание. Покажите, что в условиях нашего примера имеет место

Итак, математическое ожидание с.в.
есть постоянное число при всех значениях аргумента, и её корреляционная функция зависит только от разности аргументов. Следовательно,
случайная стационарная функция.

Отметим что, положив
в корреляционной функции, найдём дисперсию

Таким образом, дисперсия сохраняет постоянное значение при всех значениях аргумента, как и должно, быть при случайной стационарной функции.

Большинство случайных стационарных процессов обладают важным для практики, так называемым, « эргодическим свойством» , сущность которого состоит в том, что по одной, достаточно длинной отдельной реализации данного процесса можно судить обо всех свойствах процесса также как по любому количеству реализаций.

Другими словами, отдельные характеристики с.с.п.
могут быть определены как соответствующие средние по времени для одной реализации достаточно большой продолжительности.

Связь между классами стационарных и случайных эргодических процессов можно охарактеризовать, например, как на рисунке 61.

Рис. 61 (Письм.).

Достаточным условием эргодического с.п.
относительно математического ожидания и корреляционной функции является стремление к нулю его корреляционной функции при
.

В качестве оценок характеристик эргодических с.с.п. принимают усреднённое по времени значение:

Интегралы, в правых частях равенств, на практике вычисляют приближённо.

Случайные процессы
и
называютсястационарно связанными , если их взаимно корреляционная функция
зависит только от разности
. В качестве примера стационарного процесса можно взять с.п.– гармоническое колебание. Можно показать, что
а