1
Procesy stochastyczne WYKŁAD 1
Literatura
A. Plucińska, E. Pluciński, Probabilistyka (WNT), 2000
D. Bobrowski, Probabilistyka w zastosowaniach technicznych (WNT)
A. Wentzell, Wykłady z teorii procesów stochastycznych, 1980
M. Chudy, Procesy stochastyczne: zbiór zadań, skrypt WAT, 1971
O. Tikhonenko, Metody probabilistyczne analizy systemów informacyjnych, 2006
2
,S,P - ustalona przestrzeń probabilistyczna.
T R , przedział (skończony lub nieskończony), lub podzbiór dyskretny.
3
Def.
Funkcję X :T R nazywamy procesem
stochastycznym jeśli
X
t
x
S
R x T t
:
(
,
)
czyli dla każdego ustalonego t funkcja X rozważana jako funkcja argumentu jest zmienną losową.
Najczęściej w zastosowaniach interpretujemy t jako czas.
4
Przykład.
Jest wiele zjawisk zmieniających się w czasie, których wartość zależy od czynników losowych i może je traktować jako procesy stochastyczne. - obciążenie jednostki centralnej (CPU),
- temperatura powietrza w określonym punkcie, - kurs euro/złoty,
- prędkość łącza internetowego, - kurs akcji określonej firmy,
5
Przykład.
Drgania harmoniczne zależą od czynników losowych i może je zapisać jako proces
)
sin(
)
(
t
A
Ft
X
A - zmienna losowa określająca amplitudę, F - zmienna losowa określająca częstotliwość, Ф - zmienna losowa określająca przesunięcie
fazowe
6
Przykład.
Amplituda napięcia generowanego przez prądnicę prądu zmiennego zależy od czynników losowych i może być zapisana jako proces
wt
A
t
X
(
)
sin
w - stała określająca częstotliwość,
A - zmienna losowa o rozkładzie np. N(230, 5), t - czas, t R.
7
Realizacje procesu
Dla ustalonego i dowolnego t T przyjmujemy
)
,
(
)
(
t
X
t
x
Funkcja x określona na T nie ma charakteru losowego, nazywamy ją realizacją procesu stochastycznego (wyraża ewolucję w czasie wybranego zdarzenia losowego).
W powyższym przykładzie proces ma nieskończenie wiele realizacji.
8
Wartości procesu nazywamy stanami.
Zbiór wszystkich stanów nazywamy przestrzenią stanów.
9
Przykład.
Na wyjściu generatora co minutę pojawia się losowo sygnał 0 lub 1 (p = 0,5). Generator pracuje przez 15 minut. Rozpatrywane doświadczenie może być zapisane jako proces
1,
2,
3,...
14,
15
)
(
n
X
X
X
X
X
X
Jest to ciąg zmiennych losowych o rozkładzie zerojedynkowym.
Realizacje tego procesu to ciągi
piętnastoelementowe, których elementy to zera i jedynki.
10
Przykładowa realizacja
(1, 0, 1, 1, 1, 1, 0, 1, 1, 0, 0, 0, 1, 0, 1)
11
Rodzaje procesów
Czas Stany Przykład nazwa procesu
C C jak prądnica, lub proces Gaussa, CC C D proces Poissona, CD D C n - wymiarowy rozkład normalny, DC D D łańcuchy Markowa. DD
12
Niech t1 < t2 < ... < tn . Rozpatrzmy n wymiarową
zmienna losową
X
t1,
X
t2,...,
X
tn
Rozkład prawdopodobieństwa tej zmiennej losowej nazywamy n-wymiarowym rozkładem procesu stochastycznego a dystrybuantę tej zmiennej losowej nazywamy n-wymiarową dystrybuantą procesu stochastycznego.
13
Uwaga.
1) Nie każda funkcja która dla ustalonego t jest dystrybuantą n-wymiarowej zmiennej losowej może być dystrybuantą procesu stochastycznego. Muszą być dodatkowo spełnione tzw. warunki zgodności.
2) Znajomość dystrybuanty n-wymiarowej dla dowolnego n, tzn. znajomość wszystkich
rozkładów skończenie wymiarowych procesu stochastycznego nie zawsze określa w sposób jednoznaczny rozkładu procesu stochastycznego. Procesy ośrodkowe mają taką własność.
14
Parametry procesu stochastycznego.
Wartość oczekiwana procesu.
Xt Et m( )
Własności wartości oczekiwanej procesu są podobne do własności wartości oczekiwanej zmiennej losowej.
15 Wariancja procesu.
2
2 2 ) ( ) ( ) ( ) (t t D t E X m t V t Własności wariancji procesu są podobne do własności wariancji zmiennej losowej.
16 Autokowariancja
( ) ( )
) , ( 1 2 1 2 2 1 m t X m t X E t t K t t 17 Autokowariancja unormowana ) ( ) ( ) , ( ) , ( 2 1 2 1 2 1 t V t V t t K t t
18 Autokorelacja
1 2
)
,
(
t
1t
2E
X
tX
tR
19
Własności:
1) V(t) D2(t) K(t,t) 2)K
(
t
1,
t
2)
R
(
t
1,
t
2)
m
t
1m
t
2 3)K
(
t
1,
t
2)
V
t
1V
t
2 4)K
(
t
1,
t
2)
K
(
t
2,
t
1)
,R
(
t
1,
t
2)
R
(
t
2,
t
1)
)
,
(
)
,
(
t
1t
2
t
2t
1
5) Jeśli a, b funkcje nielosowe to
)
,
(
)
(
)
(
)
,
(
t
1t
2a
t
1a
t
2K
t
1t
2K
aXb
X)
,
(
))
(
)
(
(
)
,
(
t
1t
2sign
a
t
1a
t
2 Xt
1t
2 b aX
20
Uwaga
1. Z powyższych własności wynika, że praktycznie wystarczy wyliczyć m(t) i R(t1,t2) a
21
2. Przy obliczaniu parametrów przydatne bywają następujące zależności znane z rachunku prawdopodobieństwa
2 2 2EX
X
D
EX
, bo 2 2
2 EX EX X D
XY
Cov X Y EXEY E ( , ) bo
XY
EXEY
E
Y
X
Cov
(
,
)
DXDY
Y
X
Cov
(
,
)
bo DXDY Y X Cov( , ) 22
Przykład.
Obliczymy parametry procesu
B At t
X( ) , t R
A, B - zmienne losowe o parametrach EA = 0; EB = 1,
23 Rozwiązanie. Wartość oczekiwana:
(
)
1
)
(
t
E
X
E
At
B
tEA
EB
m
t Autokorelacja:
1 0
1 0 1
2 1 3 ) , cov( ) , ( 2 1 2 1 2 1 2 1 2 2 2 1 2 2 2 1 2 2 1 2 2 1 2 2 1 2 1 2 2 1 2 1 1 2 t t t t t t t t EB B D EAEB B A t t EA A D t t B E AB E t t A E t t B t t AB t t A E B At B At E X X E t t R t t Autokowariancja:
2 ) , ( ) , (t1 t2 R t1 t2 m t1 m t2 t1t2 t1 t2 K Wariancja:
1
1 2 2 ) (t t 2 t t 2 VZauważmy, że wariancja tego procesu jest nie mniejsza niż 1 dla dowolnego t.
Współczynnik autokorelacji:
1
1
1
1 2 ) ( ) ( ) , ( ) , ( 2 2 2 1 2 1 2 1 2 1 2 1 2 1 t t t t t t t V t V t t K t t 24
Przykład.
Obliczymy parametry procesu
1
n n nX
X
Z
, gdzie,...
,...
,
,
2 3 1X
X
X
nX
to ciąg niezależnych zmiennych losowych gdzie
EX
n
0
2 2
nX
D
25
0
1
n n nEX
EX
EZ
, Zauważmy, że
j
i
j
i
X
X
E
i jgdy
gdy
0
2
zatem
2 gdy 0 1 gdy 0 gdy 2 ) , ( ) , ( 2 2 1 1 1 1 1 1 k k k X X X X X X X X E X X X X E Z Z R Z Z K k n n k n n k n n k n n k n k n n n k n n k n n
2 2 ) (Zn V 2 gdy 0 1 gdy 5 , 0 0 gdy 1 ) ( ) ( ) , ( ) , ( k k k Z D Z D Z Z K Z Z k n n k n n k n n
26
Kowariancja wzajemna procesów X(t), Y(t)
( ) ( )
) , ( 1 2 1 2 2 1 m t Y m t X E t t KXY t X t Y Jeśli T t t t t KXY ( 1, 2) 0 1, 2 27
Przykład
Obliczyć kowariancję wzajemną procesów X(t), Y(t) gdzie
X(t) = At, Y(t) = A + Bt,
A, B - niezależne zmienne losowe EA = EB = 0, D2A = D2B = σ2,
EX(t) = EY(t) = 0 zatem
2 1 2 2 1 2 1 2 1, ) (
t AB E t A E t Bt A At E t t KXY 28
Uwaga
Jeśli Z(t) = X(t) + Y(t)
jest sumą procesów X(t), Y(t) to EZ(t) = EX(t) + EY(t)
) , ( ) , ( ) , ( ) , ( ) , (t1 t2 K t1 t2 K t1 t2 K t1 t2 K t1 t2 KZ X Y XY YX Jeśli Z(t) = X(t) - Y(t) to EZ(t) = EX(t) - EY(t)
) , ( ) , ( ) , ( ) , ( ) , (t1 t2 K t1 t2 K t1 t2 K t1 t2 K t1 t2 KZ X Y XY YX
29
Proces stochastyczny X nazywamy procesem o przyrostach niezależnych, jeśli dla dowolnego naturalnego n, dowolnych t0 < t1 < ... < tn zmienne
losowe 1 0 1 0
,
t
t,...,
tn
tn tX
X
X
X
X
są niezależne.30
Proces stochastyczny X o przyrostach niezależnych nazywamy jednorodnym, jeśli dla dowolnego nieujemnego t, X(0, ) = 0 i dla dowolnych t1 < t2 rozkład różnicy zmiennych
losowych
1
2 t
t
X
X
zależy tylko od różnicy t2 - t1 ( nie zależy od t1 ). Przykład: proces Poissona.
31
Proces stochastyczny nazywamy procesem normalnym (procesem Gaussa) jeśli wszystkie n-wymiarowe rozkłady tego procesu są normalne.
32
Jednorodny proces normalny o przyrostach niezależnych dla którego
m(t) = 0 0 , ) (t ct c c V const
nazywamy procesem Wienera (procesem ruchu Browna).
33
Procesy stacjonarne to procesy, których realizacje mają postać losowych odchyleń od pewnej wartości i charakter tych odchyleń nie ulega zmianie w czasie np. napięcie w sieci energetycznej, szumy losowe w radiotechnice. Dla procesów stacjonarnych łatwo eksperymentalnie wyznaczyć charakterystyki.
34
Proces jest stacjonarny w węższym sensie (ściśle stacjonarny) gdy wszystkie jego charakterystyki nie zależą od przesunięcia na osi czasu.
Dokładniej:
Niech t1 < t2 < ... < tn . Wtedy zmienne losowe
X
t1,
X
t2,...,
X
tn
i
X
t1,
X
t2,...,
X
tn
Mają ten sam rozkład dla każdego R .35
Proces jest stacjonarny w szerszym sensie (słabo stacjonarny) gdy
(
(
)
)
2
t
X
E
oraz ma stałąwartość oczekiwaną a jego autokowariancja zależy wyłącznie od różnicy argumentów tzn.
m(t) = m = const
s
t
k
s
t
k
t
s
K
(
,
)
(
)
(
)
36
Jeśli
(
(
)
)
2
t
X
E
to każdy proces ściślestacjonarny jest słabo stacjonarny, odwrotna własność nie musi zachodzić (wyjątek - procesy gaussowskie).
Zwykle termin „proces stacjonarny” odnosi się do procesów stacjonarnych w szerszym sensie (słabo stacjonarnych).
37
Własności autokowariancji dla procesów stacjonarnych.