Mathcad - procesy_stochastyczne.xmcd
Transkrypt
Mathcad - procesy_stochastyczne.xmcd
Zadanie na zaliczenie z przedmiotu: Procesy Stochastyczne Autor: Krzysztof Wesołowski wydział EAIiE Automatyka i Robotyka rok II, grupa 3 Numer zagadnienia: 86 Przedmiotem zadanie jest analiza zadanego procesu stochastycznego, który przybliŜe poniŜej. Mamy daną zmienną losową X, o rozkładzie ciągłym, zadanym funkcją: ( ) − 3 x2 − 1 if x > −1 ∧ x < 1 4 pX( x) := 0 otherwise 1 0.5 pX ( x) 0 − 0.5 −1 −2 −1 0 1 2 x Oraz proces stochastyczny zdefiniowany jako Y(t)=e-t+X czyli proces obrazujący na przyklad ruch tłumiony, o losowej wartosci poczatkowej/losowym przesunieciu w czasie. skrajne reazlizacje tego procesu t wykresy funkcji e-t+1 oraz e-t-1 Narysuja kilka moŜliwych przebiegów procesu: losoweX := for i ∈ 0 .. 10 wynik ← rnd( 2 ) − 1 while pX( wynik) < rnd 3 4 wynik ← rnd( 2 ) − 1 result ← wynik i result przebieg( t , i) := e − t+ losoweX i − t+ 1 e − t− 1 e przebieg( t , 0) przebieg( t , 1) 2 przebieg( t , 2) przebieg( t , 3) przebieg( t , 4) przebieg( t , 5) przebieg( t , 6) 1 przebieg( t , 8) przebieg( t , 9) 0 0 1 2 3 4 5 t Rozwazmy teraz funkcje zmiennej losowej, konkretnie Y(t)=e-t+X(t), gdzie X(t) jest w gruncie rzeczy zwykla zmienna losowa, stała niezaleŜnie od t. Y( t ) = g( x) = e − t+ X mamy wiec funkcje zmiennej losowej postaci Y=e − t+ X znajdźmy informacje potrzebne do wyznaczenia jej rozkladu: ln( y) = −t + x x = ln( y) + t g( x) = e − t+ X − t+ X d g( x) = e dx Funckja gestosci naszej zmiennej losowej Y dla zadanego czasu wynosi wiec: − pY( y, t ) := 3 2 ( ln( y) + t) − 1 4 e − t+ ( ln( y) +t) if − 3 2 ( ln( y) + t) − 1 ≥ 0 4 0 otherwise Gdzie zarowno warunek jak i funkcje mozna jeszce uproscic: − 3 2 ( ln( y) + t) − 1 4 e − − t+( ln( y) + t) − = 3 2 ( ln( y) + t) − 1 4 y 2 3 ( ln( y) + t) − 1 =− ⋅ y 4 3 2 ( ln( y) + t) − 1 ≥ 0 4 2 ( ln( y) + t) − 1 ≤ 0 2 ( ln( y) + t) ≤ 1 ln( y) + t ≤ 1 ∧ ln( y) + t > −1 ln( y) ≤ 1 − t ∧ ln( y) > −1 − t y≤e ( 1− t) ∧y>e ( − 1−t) Ostatecznie więć moŜemy funkcje gęstiści naszej zmiennej losowej Y zapisać jako: 2 3 ( ln( y) + t) − 1 ( 1− t) ( − 1− t) − ⋅ if y ≤ e ∧y>e 4 y pY( y, t) := 0 otherwise co daje nam dokładny opis przebiegu procesu. PoniŜej zamieszczam funkcję ilustrujące funkcje gęstości da róznych wartosci argumentu t, co odpowiada funkcjom gęstości prawdopodobieństwa zdarzenia takiego ze w chwili t, sygnał y będzie miał daną wartośc. 3 pY ( y , 0) pY ( y , 0.1) pY ( y , 0.2) 2 pY ( y , 0.3) pY ( y , 0.4) pY ( y , 0.5) 1 pY ( y , 1) 0 0 1 2 3 y Obliczmy teraz wartośc oczekiwana naszego sygnału, w funkcji czasu: E[Y(t)] 4 ( − 1− t) ⌠e y⋅ pY( y , t ) dy = −∞ ⌡ ( 1− t) ⌠ E( Y( t ) ) = ⌡ ∞ 3 2 − ( t+ 1) − ⋅ ( ln( y) + t) − 1 dy = 3⋅ e 4 e Zaznaczmy teraz wartośc oczekiwaną wśród innych realizacji: − t+ 1 e − t− 1 e − ( t + 1) 3⋅ e przebieg( t , 0) przebieg( t , 1) 2 przebieg( t , 2) przebieg( t , 3) przebieg( t , 4) przebieg( t , 5) przebieg( t , 6) 1 przebieg( t , 8) przebieg( t , 9) 0 0 1 2 3 4 t Kolejną wazna informacją o procesie jest jego Autokorelacja: Tutaj przy uŜyciu poprzedniej metody całkowania mielibysmy problem z granicami całkowania, dlatego znajdziemy funkcje gestosci rozklady Y(t) w inny sposób, korzystając z dystrybuanty. ( − t⋅eX < y) = P(eX < et⋅y) = P(ln(eX) < t⋅ln(y) ) Fy( t , y) = P( Y( t , ω) < y) = P e ( ( X) < t⋅ln( y)) = P(X < t⋅ln(t)) = Fx(t⋅ln(y) ) P ln e a więc funkcję gęstości moŜna latwo obliczyć róŜniczkując: pY( t ) = pX( t ⋅ ln( y) ) ⋅ t⋅ 1 y 5 Funkcja ta jest identyczna z poprzednio otrzymana, działa ona w tym samym przedziale, a przy okazji sugeruje uzyteczne w całkowaniu podstawienie (powyŜsze scałkowal program). Teraz, wiedząc Ŝe zamiast w w wartości oczekiwanej całkować po zmiennej y moŜemy zamiennie scałkować po zmiennej x łatwo obliczyć współczynnik autokorelacji. 3 ⌠ Ry( t1 , t2) = E( Y( t1) ⋅ Y( t2) ) = ⋅ 4 ⌡ 1 −1 1 ( ) e − t1 x − t2 x ⋅e ⋅e ( ) 2 ⋅e ⋅ 1 − x 1 ( ) 3 − ( t1+ t2) ⌠ 2x 2 dx = e ⋅ e ⋅ 1 − x dx ⌡ 4 −1 1 3 − ( t1+t2) ⌠ 2x 2 − ( t1+ t2) e ⋅ e ⋅ 1 − x dx = e ⋅ cosh( 2 ) − sinx ( 2 ) ⌡ 2 4 −1