Procesy stochastyczne w1-2011
Transkrypt
Procesy stochastyczne w1-2011
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 L. Kowalski, Statystyka, skrypt WAT, 2005 1 (Ω, S, P ) - ustalona przestrzeń probabilistyczna. T ⊂ R , przedział (skończony lub nieskończony), lub podzbiór dyskretny. 2 Def. X :T ×Ω → R Funkcję stochastycznym jeśli nazywamy procesem ∧ ∧ {ω : X (t,ω ) < x}∈ S t ∈T x ∈ R czyli dla każdego ustalonego t funkcja X rozważana jako funkcja argumentu ω jest zmienną losową. Najczęściej w zastosowaniach interpretujemy t jako czas. Stosujemy zapis X (t , ω ) = X t (ω ) = X (t ) 3 Przykład. Amplituda napięcia generowanego przez prądnicę prądu zmiennego zależy od czynników losowych i może być zapisana jako proces X (t ) = A sin wt w - stała określająca częstotliwość, A - zmienna losowa o rozkładzie np. N(230, 5), t - czas, t ∈ R. 4 Realizacje Realizacje procesu Dla ustalonego ω ∈ Ω i dowolnego t ∈ T przyjmujemy x(t ) = X (t , ω ) 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. 5 Wartości procesu nazywamy stanami. Zbiór wszystkich stanów nazywamy przestrzenią stanów. 6 Rodzaje procesów Czas Stany C C D D C D C D Przykład nazwa procesu jak wyżej, lub proces Gaussa, proces Poissona, n - wymiarowy rozkład normalny, łańcuchy Markowa. 7 CC CD DC DD 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. 8 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 określa w sposób jednoznaczny procesu stochastycznego. Niektóre procesy mają taką własność, są to np. procesy ośrodkowe. 9 Parametry procesu stochastycznego. Wartość oczekiwana procesu. m(t ) = E ( X t ) 10 Wariancja procesu. 2 V (t ) = D 2 (t ) = E ( X t − m(t ) ) ( 11 ) Autokowariancja K (t1 , t 2 ) = E X t1 − m(t1 ) X t 2 − m(t 2 ) (( )( 12 )) Autokowariancja unormowana ρ (t1 , t 2 ) = K (t1 , t 2 ) V (t1 ) V (t 2 ) 13 Autokorelacja ( R (t1 , t 2 ) = E X t1 X t2 14 ) Własności: 1) V (t ) = D 2 (t ) = K (t , t ) 2) K (t1 , t 2 ) = R (t1 , t 2 ) − m (t1 )m(t 2 ) 3) K (t1 , t 2 ) ≤ V (t1 )V (t 2 ) 15 Uwaga 1. Z powyższych własności wynika, że praktycznie wystarczy wyliczyć m(t ) i R (t1 , t 2 ) a pozostałe parametry uzyskamy na ich podstawie. 2. Przy obliczaniu parametrów przydatne bywają następujące zależności znane z rachunku prawdopodobieństwa EX 2 = D 2 X + (EX ) , bo 2 D 2 X = EX 2 − (EX ) 2 EXY = Cov ( X , Y ) + EXEY bo Cov( X , Y ) = EXY − EXEY Cov ( X , Y ) = ρDXDY bo 16 ρ= Cov ( X , Y ) DXDY Przykład. Obliczymy parametry procesu X (t ) = At + B , t ∈ R A, B - zmienne losowe o parametrach EA = 0; EB = 1, i D2A = 1, D2B = 2; cov(A, B) = -1. 17 Rozwiązanie. Wartość oczekiwana: m(t ) = E ( X t ) = E ( At + B) = tEA + EB = 1 Autokorelacja: ( ) (( )( )) = E (A t t + AB(t + t ) + B ) = = t t E (A ) + (t + t )E ( AB) + E (B ) = = t t (D A + (EA) ) + (t + t )(cov(A, B) + EAEB) + D B + (EB) = t t (1 + 0) + (t + t )(− 1 + 0 ⋅1) + 2 + 1 = t t − t − t + 3 R(t1 , t2 ) = E X t1 X t2 = E At1 + B At2 + B = 2 2 1 2 1 2 2 2 1 2 1 2 2 2 2 1 2 1 1 2 1 2 2 1 2 1 2 = 2 Autokowariancja: K (t1 , t 2 ) = R (t1 , t 2 ) − m (t1 )m (t 2 ) = t1 t 2 − t1 − t 2 + 2 Wariancja: V ( t ) = t 2 − 2 t + 2 = (t − 1 ) + 1 2 Zauważmy, że wariancja tego procesu jest nie mniejsza niż 1 dla dowolnego t. Współczynnik autokorelacji: ρ (t1 , t 2 ) = K (t1 , t 2 ) = V (t1 ) V (t 2 ) (t t1 t 2 − t1 − t 2 + 2 ) 2 1 18 ( ) 2 − 1 + 1 t2 − 1 + 1 Proces stochastyczny X nazywamy procesem o przyrostach niezależnych, jeśli dla dowolnego naturalnego n, dowolnych Niech t0 < t1 < ... < tn zmienne losowe X t0 , X t1 − X t0 ,......, X tn − X t n−1 są niezależne. Przykład: proces Poissona, proces Wienera. 19 Proces stochastyczny X o przyrostach niezależnych nazywamy jednorodnym, jeśli dla dowolnego nieujemnego t, X(0, ω) = 0 i dla dowolnych t1 < t2 rozkład różnicy zmiennych losowych X t2 − X t1 zależy tylko od różnicy t2 - t1 ( nie zależy od t1 ). Przykład: proces Poissona. 20 Proces stochastyczny nazywamy procesem normalnym (procesem Gaussa) jeśli wszystkie n-wymiarowe rozkłady tego procesu są normalne. 21 Jednorodny proces normalny o przyrostach niezależnych dla którego m(t) = 0 V (t ) = ct c = const , c > 0 nazywamy procesem Wienera (procesem ruchu Browna). 22 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 charakterystyki. 23 wyznaczyć Proces jest stacjonarny w węższym sensie (ściśle stacjonarny) gdy wszystkie jego charakterystyki nie zależą od czasu. 24 Proces jest stacjonarny w szerszym sensie (słabo stacjonarny) gdy ma stałą wartość oczekiwaną a jego funkcja autokowariancyjna zależy wyłącznie od różnicy argumentów tzn. m(t) = m = const K ( s, t ) = k (t − s ) = k (τ ) τ =t−s Jeśli charakterystyki istnieją to każdy proces ściśle stacjonarny jest słabo stacjonarny, odwrotna własność nie musi zachodzić (wyjątek - procesy gaussowskie). 25