Случайный процесс

Пусть ${\displaystyle (E,{\mathfrak {B}})}$  — измеримое пространство, ${\displaystyle T}$ множество значений параметра ${\displaystyle t}$ . Функция ${\displaystyle \xi =\xi (t)}$ параметра ${\displaystyle t\in T}$ , значениями которой являются случайные величины ${\displaystyle \xi (t)=\xi (\omega ,t)}$ на пространстве элементарных событий ${\displaystyle (\Omega ,{\mathfrak {A}},\mathbb {P} )}$  в фазовом пространстве ${\displaystyle (E,{\mathfrak {B}})}$ , называется случайным процессом в фазовом пространстве ${\displaystyle (E,{\mathfrak {B}})}$ .^[6]

Используемые в области исследований и прикладного применения случайных процессов классификация и терминология являются нестрогими. В частности, термин «случайный процесс» часто используется как безусловный синоним термина «случайная функция».^[7] В зависимости от вида множества ${\displaystyle T}$ часто применяются следующие термины.

• Если ${\displaystyle T\subset \mathbb {R} }$ , то параметр ${\displaystyle t\in T}$ может интерпретироваться как время. Тогда случайная функция ${\displaystyle \{X_{t}\}}$ называется случайным процессом. Если множество ${\displaystyle T}$ дискретно, например ${\displaystyle T\subset \mathbb {N} }$ , то такой случайный процесс называется случа́йной после́довательностью.

• Если ${\displaystyle T\subset \mathbb {R} ^{n}}$ , где ${\displaystyle n\geqslant 1}$ , то параметр ${\displaystyle t\in T}$ может интерпретироваться как точка в пространстве, и тогда случайную функцию называют случа́йным по́лем.

Всевозможные совместные распределения вероятностей значений ${\displaystyle \xi (t_{1}),...,\xi (t_{n}),t_{1},...,t_{n}\in T}$ :

${\displaystyle P_{t_{1}},...,_{t_{n}}(B_{1},...B_{n})=P\left\{\xi (t_{1})\in B_{1},...,\xi (t_{n})\in B_{n}\right\}(B_{1},...B_{n}\in {\mathfrak {B}})}$

называются конечномерными распределениями вероятностей случайного процесса ${\displaystyle \xi =\xi (t)}$ .
Случайные процессы ${\displaystyle \xi =\xi (t)}$ и ${\displaystyle \eta =\eta (t)}$ , принимающие значение в фазовом пространстве ${\displaystyle (E,{\mathfrak {B}})}$ называются эквивалентными, если при любом ${\displaystyle t\in T}$ эквивалентны соответствующие значения ${\displaystyle \xi (t)=\xi (\omega ,t)}$ и ${\displaystyle \eta (t)=\eta (\omega ,t)}$ .

При каждом фиксированном ${\displaystyle \omega \in \Omega }$ функция ${\displaystyle \xi (t)=\xi (\omega ,t)}$ параметра ${\displaystyle t}$ со значениями в фазовом пространстве ${\displaystyle (E,{\mathfrak {B}})}$ называется или случайного процесса ${\displaystyle \xi =\xi (t)}$ . Случайный процесс ${\displaystyle \xi =\xi (t)}$ называется непосредственно заданным, если каждый элементарный исход описывается соответствующей траекторией ${\displaystyle x=x(t)}$ в функциональном пространстве ${\displaystyle E=E^{T}}$ всех функций на множестве ${\displaystyle T}$ со значениями в фазовом пространстве ${\displaystyle (E,{\mathfrak {B}})}$  ; точнее, если ${\displaystyle \Omega =X}$ и ${\displaystyle \sigma }$ -алгебра ${\displaystyle {\mathfrak {A}}}$ порождается всевозможными цилиндрическими множествами ${\displaystyle {x(t_{1})\in B_{1},...,x(t_{n})\in B_{n}}}$ , где ${\displaystyle t_{1},...,t_{n}\in T}$ и ${\displaystyle B_{1},...B_{n}\in {\mathfrak {B}}}$ , а значения ${\displaystyle \xi (t)=\xi (x,t)}$ имеют вид ${\displaystyle \xi (x,t)=x(t)}$ , ${\displaystyle x\in X}$ . Любому случайному процессу можно поставить в соответствие непосредственно заданный случайный процесс с теми же самыми конечномерный распределениями. Для каждого согласованного семейства конечномерных распределений вероятностей ${\displaystyle P_{t_{1}},...,_{t_{n}}(B_{1},...B_{n})}$ (${\displaystyle t_{1},...,t_{n}\in T,B_{1},...B_{n}\in {\mathfrak {B}})}$ таких, что ${\displaystyle P_{t}=P_{t}(B),t\in T}$ , являются плотными мерами в фазовом топологическом пространстве ${\displaystyle (E,{\mathfrak {B}})}$ , существует непосредственно заданный случайный процесс ${\displaystyle \xi =\xi (t)}$ с такими же конечномерными распределениями вероятностей.

Ковариационная функция. Пусть ${\displaystyle \xi =\xi (t)}$ действительный или комплексный случайный процесс на множестве ${\displaystyle T}$ , имеющий вторые моменты: ${\displaystyle E|\xi (t)|^{2}<\infty }$ . Значения случайного процесса ${\displaystyle \xi =\xi (t)}$ можно рассматривать как элементы гильбертова пространства ${\displaystyle L^{2}(\Omega )}$  — пространства всех случайных величин ${\displaystyle \eta }$ , ${\displaystyle E|\eta (t)|^{2}<\infty }$ , со скалярным произведением

${\displaystyle ({\eta }_{1},{\eta }_{2})=E{\eta }_{1}{\overline {\eta }}_{2}}$ .

Важнейшими характеристиками такого случайного процесса ${\displaystyle \xi (t)}$ являются его математическое ожидание

${\displaystyle A(t)=E\xi (t)=(\xi (t),1)}$

и ковариационная функция

${\displaystyle B(s,t)=E{\xi (s)}{\overline {\xi (t)}}=(\xi (s),\xi (t))}$ .

Вместо ковариационной функции может применятся корреляционная функция ${\displaystyle B(s,t)=E{\xi (s)}{\overline {\xi (t)}}-A(s){\overline {A(t)}}}$ , являющуюся ковариационной функцией процесса ${\displaystyle \xi (t)-A(t)}$ с нулевым математическим ожиданием.
При равенстве аргументов (${\displaystyle s=t}$ ) корреляционная функция равна дисперсии случайного процесса

${\displaystyle B(s,s)=E(\xi (s)-A(s))({\overline {\xi (s)-A(s)}})=D(s)}$ .

Функция ${\displaystyle B(s,t)}$ двух переменных ${\displaystyle s}$ и ${\displaystyle t}$ является ковариационной функцией некоторого случайного процесса ${\displaystyle \xi (t)}$ , ${\displaystyle E|\xi (t)|^{2}<\infty }$ , тогда и только тогда, когда она для всех ${\displaystyle n=1,2,...}$ удовлетворяет следующему условию положительной определённости:

${\displaystyle \sum _{k=1}^{n}\sum _{j=1}^{n}{B(t_{k},t_{j})c_{k}}{\overline {c_{j}}}\geqslant 0}$

для любых ${\displaystyle t_{1},t_{2},...t_{n}\in T}$ и любых комплексных чисел ${\displaystyle c_{1},c_{2}...,c_{n}}$ .

• Случайный процесс ${\displaystyle X(t)}$ называется процессом дискретным во времени, если система, в которой он протекает, меняет свои состояния только в моменты времени ${\displaystyle \;t_{1},t_{2},\ldots }$ , число которых конечно или счётно. Случайный процесс называется процессом с непрерывным временем, если переход из состояния в состояние может происходить в любой момент времени.
• Случайный процесс называется процессом с непрерывными состояниями, если значением случайного процесса является непрерывная случайная величина. Случайный процесс называется случайным процессом с дискретными состояниями, если значением случайного процесса является дискретная случайная величина:
• Случайный процесс называется стационарным, если все многомерные законы распределения зависят только от взаимного расположения моментов времени ${\displaystyle \;t_{1},t_{2},\ldots ,t_{n}}$ , но не от самих значений этих величин. Другими словами, случайный процесс называется стационарным, если его вероятностные закономерности неизменны во времени. В противном случае, он называется нестационарным.
• Случайная функция называется стационарной в широком смысле, если её математическое ожидание и дисперсия постоянны, а АКФ зависит только от разности моментов времени, для которых взяты ординаты случайной функции. Понятие ввёл А. Я. Хинчин.
• Случайный процесс называется процессом со стационарными приращениями определённого порядка, если вероятностные закономерности такого приращения неизменны во времени. Такие процессы были рассмотрены Ягломом^[8].
• Если ординаты случайной функции подчиняются нормальному закону распределения, то и сама функция называется нормальной.
• Случайные функции, закон распределения ординат которых в будущий момент времени полностью определяется значением ординаты процесса в настоящий момент времени и не зависит от значений ординат процесса в предыдущие моменты времени, называются марковскими.
• Случайный процесс называется процессом с независимыми приращениями, если для любого набора ${\displaystyle t_{1},t_{2},\ldots ,t_{n}}$ , где ${\displaystyle n>2}$ , а ${\displaystyle t_{1}<t_{2}<\ldots <t_{n}}$ , случайные величины ${\displaystyle (X_{t_{2}}-X_{t_{1}})}$ , ${\displaystyle (X_{t_{3}}-X_{t_{2}})}$ , ${\displaystyle \ldots }$ , ${\displaystyle (X_{t_{n}}-X_{t_{n-1}})}$ независимы в совокупности.
• Если при определении моментных функций стационарного случайного процесса операцию усреднения по статистическому ансамблю можно заменить усреднением по времени, то такой стационарный случайный процесс называется эргодическим.
• Среди случайных процессов выделяют импульсные случайные процессы.
• Ветвящийся случайный процесс может описывать явления, связанные с размножением, делением или превращениями объектов.

• ${\displaystyle \{X_{n}\}_{n\in \mathbb {N} }}$ , где ${\displaystyle \;X_{i}\sim \mathrm {N} (0,1)}$ называется стандартной гауссовской (нормальной) случайной последовательностью.
• Пусть ${\displaystyle f\colon \mathbb {R} \to \mathbb {R} }$ , и ${\displaystyle Y}$  — случайная величина. Тогда

${\displaystyle X_{t}(\omega )=f(t)\cdot Y(\omega )}$

является случайным процессом.

• Случайная величина
• Цепь Маркова
• Марковский процесс
• Немарковский процесс

• Свешников А. А. Прикладные методы теории случайных функций. — Гл.ред.физ.-мат.лит., 1968.
• Баскаков С. И. Радио/технические цепи и сигналы. — Высшая школа, 2000.
• Натан А. А., Горбачёв О. Г., Гуз С. А. Основы теории случайных процессов : учеб. пособие по курсу «Случайные процессы» — М.: МЗ Пресс — МФТИ, 2003. — 168 с. ISBN 5-94073-055-8.
• Вентцель Е. С., Овчаров Л. А. Теория случайных процессов и её инженерные приложения. — М.: Наука, 1991. — 384 с. — ISBN 5-02-014125-9.
• Куликов Е. И. Методы измерения случайных процессов. — М.: Радио и связь, 1986. — 272 с.
• Ралф Деч. Нелинейные преобразования случайных процессов. — М.: Советское радио, 19656. — 206 с.