Однородный пуассоновский процесс.

Пуассоновский процесс однородный (стационарный), если интенсивность потока событий —постоянная величина. Тогда из (5.45 а) следует

и, следовательно, [см. (5.45)]

Одномерная и двумерная характеристические функции однородного пуассоновского процесса

Рис. 5.2. Пуассоновский процесс

Из (5.50) находим среднее значение однородного пуассоновского процесса

а из (5.51) — смешанный момент второго порядка

Заметим, что моментная функция второго порядка (5.53) однородного пуассоновского процесса отличается откорреляционной функции (5.43) винеровского процесса только постоянным множителем, хотя указанные случайные процессы (пуассоновский и винеровский) существенно отличаются как по виду отдельных реализаций, так и по распределениям вероятностей.

Обобщенный однородный пуассоновский процесс.

Случайный процесс

где — одинаково распределенные независимые случайные величины, a - единичный скачок в момент соответствующий скачку однородного пуассоновского процесса с параметром , назовем обобщенным однородным пуассоновским [16]. Реализациями такого процесса являются ступенчатые функции со случайными независимыми скачками в случайные моменты времени (рис. 5.3).

Характеристическая функция обобщенного однородного пуассоновского процесса [16]

где — характеристическая функция случайных скачков . Если скачки детерминированы и равны единице, то и формула (5.55) совпадает с (5.50).

Среднее значение и смешанный момент второго порядка обобщенного однородного пуассоновского процесса [16]

(5.56 а)

Имея в виду, что g распределены одинаково, т. е. что и нетрудно заметить, что указанные величины отличаются от соответствующих величин однородного пуассоновского процесса лишь множителями а и [см. (5.22) и (5.53)].

Рис. 5.3. Обобщенный пуассоновский процесс

Как и однородный пуассоновский процесс, обобщенный пуассоновский является случайым процессом с независимыми приращениями.

Белый шум.

Рассмотренные ранее случайные процессы с независимыми приращениями — винеровский, однородный пуассоновский, обобщенный однородный пуассоновский — непрерывны по вероятности, но не дифференцируемы. Производные этих процессов можно рассматривать как обобщенные случайные процессы с независимыми значениями [17], корреляционные функции которых

где

Корреляционная функция (5.57) является по определению корреляционной функцией белого шума —случайного процесса с постоянной на всех частотах интенсивностью спектральной плотности мощности (см. п. 4.4.2).

Таким образом, имеется три класса белых шумов: гауссовский (производная винеровского процесса), пуассоновский и обобщенный пуассоновский (производные однородных пуассоновского и обобщенного пуассоновского процессов).

Марковский процесс - протекающий в системе случайный процесс, который обладает свойством: для каждого момента времени t₀ вероятность любого состояния системы в будущем (при t>t₀) зависит только от ее состояния в настоящем (при t= t₀) и не зависит от того, когда и каким образом система пришла в это состояние (т.е. как развивался процесс в прошлом).

На практике часто встречаются случайные процессы, которые с той или иной степенью приближения можно считать Марковскими.

Любой марковский процесс описывают с помощью вероятностей состояний и переходных вероятностей.

Вероятности состояний P_k(t) марковского процесса – это вероятности того, что случайный процесс (система) в момент времени t находится в состоянии S_k:

 

Переходные вероятности марковского процесса – это вероятности перехода процесса (системы) из одного состояния в другое:

 

 

Марковский процесс называется однородным, если вероятности перехода за единицу времени не зависят от того, где на оси времени происходит переход.

Наиболее простым процессом является цепь Маркова – марковский случайный процесс с дискретным временем и дискретным конечным множеством состояний.

При анализе цепи Маркова составляют граф состояний, на котором отмечают все состояния цепи (системы) и ненулевые вероятности за один шаг.

Марковскую цепь можно представить себе так, как будто точка, изображающая систему, случайным образом перемещается по графу состояний, перетаскивая за один шаг из состояния в состояние или задерживаясь на несколько шагов в одном и том же состоянии.

Переходные вероятности цепи Маркова за один шаг записывают в виде матрицы P=||P_ij||, которую называют матрицей вероятностей перехода или просто переходной матрицей.

Пример: множество состояний студентов специальности следующие:

S₁ – первокурсник;

S₂ – второкурсник …;

S₅ – студент 5 курса;

S₆ –специалист, окончивший вуз;

S₇ – человек, обучавшийся в вузе, но не окончивший его.

Из состояния S₁ за год возможны переходы в состояние S₂ с вероятностью r₁; S₁ с вероятностью q₁ и S₇ с вероятностью p₁, причем:

r₁+q₁+p₁=1.

Построим граф состояний данной цепи Маркова и разметим его переходными вероятностями (отличными от нуля).

 

 

Составим матрицу вероятностей переходов:

 

Переходные матрицы обладают свойством:

- все их элементы неотрицательны;

- их суммы по строкам равны единице.

Матрицы с таким свойством называют стохастическими.

Матрицы переходов позволяют вычислить вероятность любой траектории цепи Маркова с помощью теоремы умножения вероятностей.

Для однородных цепей Маркова матрицы переходов не зависят от времени.

При изучении цепей Маркова наибольший интерес представляют:

- вероятности перехода за m шагов;

- распределение по состояниям на шаге m→∞;

- среднее время пребывания в определенном состоянии;

- среднее время возвращения в это состояние.

Рассмотрим однородную цепь Маркова с n состояниями. Для получения вероятности перехода из состояния S_i в состояние S_j за m шагов в соответствии с формулой полной вероятности следует просуммировать произведения вероятности перехода из состояния Siв промежуточное состояние Sk за l шагов на вероятность перехода из Sk в Sj за оставшиеся m-l шагов, т.е.

 

 

Это соотношение для всех i=1, …, n; j=1, …,n можно представить как произведение матриц:

P(m)=P(l)*P(m-l).

Таким образом, имеем:

P(2)=P(1)*P(1)=P²

P(3)=P(2)*P(1)=P(1)*P(2)=P³ и т.д.

P(m)=P(m-1)*P(1)=P(1)*P(M-1)=P^m,

что дает возможность найти вероятности перехода между состояниями за любое число шагов, зная матрицу переходов за один шаг, а именно P_ij(m) – элемент матрицы P(m) есть вероятность перейти из состояния S_i в состояние S_j за m шагов.

 

⇐ Предыдущая12345Следующая ⇒

Поделиться: