СЛУЧАЙНЫЕ ПРОЦЕССЫ •
СОКОЛОВ ДМИТРИЙ ДМИТРИЕВИЧ
КОНСПЕКТ ПОДГОТОВЛЕН СТУДЕНТАМИ, НЕ ПРОХОДИЛ
ПРОФ РЕДАКТУРУ И МОЖЕТ СОДЕРЖАТЬ ОШИБКИ
СЛЕДИТЕ ЗА ОБНОВЛЕНИЯМИ НА VK.COM/TEACHINMSU
Преобразование Фурье в теореме Бохнера-Хинчина
Итак, мы собираемся изучать дисперсию и математическое ожидание нашего слу- чайного процесса. Если случайный процесс стационарный, то это две константы и изучать их особо нечего - можно сделать несложную замену переменных и обратить математическое ожидание в 0, а дисперсию в 1.
Теперь пусть у нас есть действительный случайный процесс ξ(t
1
), ξ(t
2
)
, то мате- матическое ожидание M(ξ(t
1
), ξ(t
2
)) 6= 0
. Эта идея аналогична той, при которой в теории вероятностей возникает коэффициент коррелляции. В данном случае возни- кает целая функция M(ξ(t
1
), ξ(t
2
)) = B(t
1
, t
2
)
, которая называется коррелляцион- ной функцией. Для стационарного случайного процесса коррелляционная функция зависит от одного переменного B(u), где u = |t
1
− t
2
|
. Необходимо понять, как это условие выглядит в терминах преобразования Фурье. Мы будем работать с ком- плексными величинами, причём если есть комплексный вектор ξ(t) + iη(t), тогда при построении коррелляционной величины возникнет матрица размерности n = 2.
Таким образом, от одной функции мы переходим к матрице. Но, на самом деле, как только мы будем рассматривать преобразование Фурье нашего случайного процесса и хотим написать функцию коррелляции между ξ(ω
1
)
и ξ(ω
2
)
, то мы должны поста- вить знак комплексного сопряжения и тогда получим коррелляционную функцию
M ( ˜
ξ(ω
1
)
и ˜
ξ
∗
(ω
2
)
для случайного процесса после преобразования Фурье. Теперь на- ша задача - написать условие стационарности в пространстве Фурье. Понятно, что если у нас есть условие B(t
1
, t
2
) = B(u)
, где u = |t
1
− t
2
|
, то должно появиться и условие на коррелляционную функцию в пространстве Фурье:
B(u) =< ξ(t
1
)ξ
∗
(t
2
) >=
1 2π
R
+∞
−∞
dω
1
R
+∞
−∞
dω
2
e iω
1
t
1
e
−1ω
2
t
2
< ˜
ξ
1
(ω
1
) ˜
ξ
∗
(ω
2
) >
˜
B(ω
1
, ω
2
) =< ˜
ξ
1
(ω
1
) ˜
ξ
∗
(ω
2
) >=
1 2π
R
+∞
−∞
dt
1
R
+∞
−∞
dt
2
e iω
1
t
1
e
−1ω
2
t
2
B(|t
1
− t
2
|)
Введем t
1
= T −
u
2
, t
2
= T +
u
2
. И от T ничего не должно зависеть.
Возьмем один из интегралов и посмотрим, что из этого получится:
1 2π
R
+∞
−∞
duB(u)e i(
ω1+ω2 2
)
R
+∞
−∞
dT e
−iT (ω
1
−ω
2
Интеграл R
+∞
−∞
dT e
−iT (ω
1
−ω
2
= δ(ω
1
− ω
2
)
В интеграле R
+∞
−∞
duB(u)e i(
ω1+ω2 2
)
положим ω
1
= ω
2
и тогда:
R
+∞
−∞
duB(u)e i(
ω1+ω2 2
)
=
R
+∞
−∞
duB(u)e iω
Тогда ˜
B(ω
1
, ω
2
) = ˜
B(ω)δ(ω
1
− ω
2
)
, где ˜
B(ω)
- это преобразование Фурье B(u).
19
МЕХАНИКО-МАТЕМАТИЧЕСКИЙ
ФАКУЛЬТЕТ
МГУ ИМЕНИ М.В. ЛОМОНОСОВА
СЛУЧАЙНЫЕ ПРОЦЕССЫ •
СОКОЛОВ ДМИТРИЙ ДМИТРИЕВИЧ
КОНСПЕКТ ПОДГОТОВЛЕН СТУДЕНТАМИ, НЕ ПРОХОДИЛ
ПРОФ РЕДАКТУРУ И МОЖЕТ СОДЕРЖАТЬ ОШИБКИ
СЛЕДИТЕ ЗА ОБНОВЛЕНИЯМИ НА VK.COM/TEACHINMSU
Формулировка теоремы Бохнера-Хинчина
Как же должна выглядеть функция B(u): в нуле она должна быть максимальна и стремиться к нулю при больших u (на Рис. 1 отмечена синим).
Рис. 1. Функция B(u)
Эту функцию найти достаточно непросто и возникает желание сказать, что функ- ция устроена так (на Рис. 1 отмечена чёрным):
Теорема Бохнера-Хинчина как раз говорит о том, что так сделать нельзя: т.к. у нас δ(ω
1
− ω
2
)
, то B(ω) - это квадрат
некоторой гармоники преобразования Фурье,
т.е. неотрицательная величина. И получаем необходимую часть теоремы Бохнера-
Хинчина: у стационарного случайного процесса образ Фурье коррелляционной функ- ции неотрицателен. А у нашей функции это не так:
Для проверки этого нам необходимо продолжить функцию в отрицательной по- луплоскости и тогда:
R
τ
−τ
e iω
u du =
1
iω
e iω
u
|
τ
τ
=
1
iω
(e iωτ
− e
−iωτ
)
P
n i=1
a i
= 1 =
sin(ω)
ω
, а sin - знакоперемен- ная функция.
Теорема Бохнера-Хинчина для сред с флуктуирующей температурой
Рассмотрим теперь среду, в которой есть флуктуация температуры, которая пред- ставляет собой случайное поле и распределение это однородное и изотропное. Воз- никает представление о том, что у нас есть случайная величина ξ(x) и < ξ(x)ξ(y) >=
B(
x,
y)
, которая в нестационарном случае зависит от x и y, а в случае, когда есть
20
МЕХАНИКО-МАТЕМАТИЧЕСКИЙ
ФАКУЛЬТЕТ
МГУ ИМЕНИ М.В. ЛОМОНОСОВА
СЛУЧАЙНЫЕ ПРОЦЕССЫ •
СОКОЛОВ ДМИТРИЙ ДМИТРИЕВИЧ
КОНСПЕКТ ПОДГОТОВЛЕН СТУДЕНТАМИ, НЕ ПРОХОДИЛ
ПРОФ РЕДАКТУРУ И МОЖЕТ СОДЕРЖАТЬ ОШИБКИ
СЛЕДИТЕ ЗА ОБНОВЛЕНИЯМИ НА VK.COM/TEACHINMSU
однородность и изотропия B = B(r), где r = |x − y|.
Поговорим о том, что такое однородное и изотропное поле скорости в определенный момент времени. Величина < v i
(
x)v j
(
y) >
- тензор. Поэтому возникает необходи- мость сформулировать понятие однородного и изотропного тензора:
< v i
(
x)v j
(
y) >= A(r)δ
ij
+ B(r)
r i
r j
r
2
или
< v i
(
x)v j
(
y) >= A(r)δ
ij
+ B(r)
r i
r j
r
2
+ α(r)ε
ijk r
k
С этим связано вот какое утверждение: если мы рассматриваем стационарный слу- чайный процесс, то функция и её производная некорреллированы
< f (x)f
0
(x) >=
d dx
< f
2
(x) >
. Этого нельзя сказать про векторные поля, т.к. для векторного поля можно рассмотреть коррелляцию < v i
rot(v i
) >
и она может не равняться нулю в силу условия стационарности.
Т.е. статистически однородное изотропное зеркально-ассимметричное случайное по- ле может содержать коррелляции между скоростью и вихрем.
Как оказалось, бывают вращающиеся среды, в которых эта коррелляция отлична от нуля непосредственно из-за факта вращения. Более того, эта величина коррел- ляции является топологическим инвариантом движения и законом сохранения.
21
МЕХАНИКО-МАТЕМАТИЧЕСКИЙ
ФАКУЛЬТЕТ
МГУ ИМЕНИ М.В. ЛОМОНОСОВА
СЛУЧАЙНЫЕ ПРОЦЕССЫ •
СОКОЛОВ ДМИТРИЙ ДМИТРИЕВИЧ
КОНСПЕКТ ПОДГОТОВЛЕН СТУДЕНТАМИ, НЕ ПРОХОДИЛ
ПРОФ РЕДАКТУРУ И МОЖЕТ СОДЕРЖАТЬ ОШИБКИ
СЛЕДИТЕ ЗА ОБНОВЛЕНИЯМИ НА VK.COM/TEACHINMSU
Лекция 5
Идеи
Маркова и их реализацияМарковские процессы - один из наиболее востребованных разделов курса слу- чайных процессов, причём востребованный во многих областях. Идея марковских процессов носит характер общенаучной.
Само марковское свойство допускает такую интерпретацию: будущее не зависит от прошлого при известном настоящем, т.е. для того, чтобы предсказывать буду- щее, не нужно знать прошлого - достаточно знать настоящее. Непосредственная реализация этого свойства такова: пусть у нас есть некое конечное число состояний
N
и в них находятся какие-то объекты. В начальный момент задается распределе- ние вероятностей того, что данная система находится в состоянии ω
i
: P {ω} = a i
- начальные вероятности. Сумма этих вероятностей P
n i=1
a i
= 1
Дальше есть условная вероятность того, что мы из состояния i перейдем в состояние k
: P {ω
i
|ω
k
} = p ik
. Естественно, возникает некая матрица, которую мы назовём ˆπ, а начальные вероятности мы будем интерпретировать как вектор a. Теперь необходи- мо обозначить, что в принципе бывает с этими объектами. Мы будем рассматривать ситуацию, когда объекты никуда не деваются и поэтому P
k p
ik
= 1
:
p k
=
P
i a
i p
ik
P
N
k=1
p k
=
P
k
P
i a
i p
ik
= 1
т.е. в этой системе есть закон сохранения - количество a сохраняется.
Введем вектор p
1
= aˆ
π
. Марковское свойство означает, что дальше мы должны действовать той же самой матрицей и тогда то, что у нас получится, будет одно- родной марковской цепью.
В принципе, можно действовать и различными матрицами. Тогда получится следу- ющее:
p
1
= aˆ
π
(1)
p
2
= aˆ
π
(1)
ˆ
π
(2)
p n
= aˆ
π
(1)
ˆ
π
(2)
. . . ˆ
π
(n)
,
22
МЕХАНИКО-МАТЕМАТИЧЕСКИЙ
ФАКУЛЬТЕТ
МГУ ИМЕНИ М.В. ЛОМОНОСОВА
СЛУЧАЙНЫЕ ПРОЦЕССЫ •
СОКОЛОВ ДМИТРИЙ ДМИТРИЕВИЧ
КОНСПЕКТ ПОДГОТОВЛЕН СТУДЕНТАМИ, НЕ ПРОХОДИЛ
ПРОФ РЕДАКТУРУ И МОЖЕТ СОДЕРЖАТЬ ОШИБКИ
СЛЕДИТЕ ЗА ОБНОВЛЕНИЯМИ НА VK.COM/TEACHINMSU
где ˆπ
(i)
- матрица перехода на i-м шаге. И на каждом шаге полная вероятность сохраняется.
Возникающая
идея состоит в том, что при очень широких предположениях по- следовательность p n
= aˆ
π
(1)
ˆ
π
(2)
. . . ˆ
π
(n)
сходится к пределу, который не зависит от начального состояния. Возникает стационарное распределение вероятностей. При этом оказывается, что можно отвлечься от начального состояния и рассматривать переходную вероятность из состояния i в состояние j за n шагов: p
(n)
ij
7→ p j
Принцип Маркова предполагает, что матрица π может зависеть от n, однако мы будем рассматривать случай, когда этого не происходит. Тогда:
p n
= aˆ
π
(1)
ˆ
π
(2)
. . . ˆ
π
(n)
= aˆ
π
n
Но если матрицы π зависят от n или если они постоянные, то запишем, как связана матрица перехода из состояния i в состояние j с матрицами перехода за m и за n − m шагов:
p n
ij
=
P
k p
m ik p
n−m kj
- формула полной вероятности. Это одна из основных формул квантовой механики.
Теорема Маркова
Теперь если мы рассматриваем эту задачу как задачу линейной алгебры, то ста- ционарное состояние, существование которого мы предполагаем, есть некое распре- деление p, т.е. :
p =
pˆ
π
n
Т.е. речь идет о том, что у стохастической матрицы есть такой собственный вектор и что к нему сходятся другие векторы, полученные путем действия на вектор мат- рицей. Это и есть теорема Маркова.
Рассмотрим стандартную задачу по данной теории. Пусть у нас есть два состоя- ния 1 и 2. Из состояния 1 мы можем с вероятностью p остаться в состоянии 1 и с вероятностью q перейти в состояние 2. Из состояния 2 с вероятностью p остаться в состоянии 2 и с вероятностью q перейти в состояние 1. Тогда:
π =
p q q p
,
p + q = 1
Задача на собственные значения:
23
МЕХАНИКО-МАТЕМАТИЧЕСКИЙ
ФАКУЛЬТЕТ
МГУ ИМЕНИ М.В. ЛОМОНОСОВА
СЛУЧАЙНЫЕ ПРОЦЕССЫ •
СОКОЛОВ ДМИТРИЙ ДМИТРИЕВИЧ
КОНСПЕКТ ПОДГОТОВЛЕН СТУДЕНТАМИ, НЕ ПРОХОДИЛ
ПРОФ РЕДАКТУРУ И МОЖЕТ СОДЕРЖАТЬ ОШИБКИ
СЛЕДИТЕ ЗА ОБНОВЛЕНИЯМИ НА VK.COM/TEACHINMSU
det p − λ
q q
p − λ
= 0
λ
1
= 1, λ
2
= p − q = c
Эта матрица написана в некотором базисе. В собственном базисе она будет выгля- деть так:
π =
1 0 0 c
, а π
n
=
1 0
0 c n
Понятно, что при n 7→ ∞ она стремится к const. Это старшее собственное значение и итерации очень быстро к нему сходятся.
В исходном базисе имеем:
π
n
=
1 2
1 + c n
1 − c n
1 − c n
1 + c n
а
стационарное распределение будет равно1 2
1 2
Чтобы это свойство работало для матрицы размера n × n, мы должны доказать,
что λ = 1 - старшее собственное значение, что оно невырожденное и что нет ком- плексного собственного значения, равного 1 по модулю.
То, что не может быть старшего собственного значения, по модулю отличного от 1,
вытекает из закона сохранения - сумма вероятностей равна 1.
Мы должны наложить какое-то условие, которое исключает появление вращения,
т.е. появления комплексных собственных значений: среди этих состояний должно быть множество J, куда мы переходим с вероятностью, отличной от 0, из любого положения. И тогда вращение исключается. Но, как оказалось, достаточно будет перейти туда за ν шагов.
Таким образом, если есть такое число ν, что мы за такое число шагов мы обя- зательно перейдем в некий выделенный набор состояний J, то тогда у нас будет стационарное состояние.
Если в марковской цепи возникает стационарное состояние, то можно проверить выполнение того, что называется эргодическим свойством. Возникает граф a
(n)
ij со- стояний i
0
, i
1
, . . . , i n
, . . .
и можно посчитать среднее значение номера i вдоль этого состояния с помощью стационарного распределения. И, как оказалось, в пределе большого времени среднее по времени равно среднему по стационарному состоя- нию. Это называется эргодической теоремой - это широчайше известный факт в области всех естественных наук.
Теперь сформулируем более явно то, что является утверждением теоремы Мар- кова.
Нам дана однородная марковская цепь. Есть набор состояний J, в каждое из кото- рых из любого состояния по крайней мере за дискретное время ν с вероятностью,
24
МЕХАНИКО-МАТЕМАТИЧЕСКИЙ
ФАКУЛЬТЕТ
МГУ ИМЕНИ М.В. ЛОМОНОСОВА
СЛУЧАЙНЫЕ ПРОЦЕССЫ •
СОКОЛОВ ДМИТРИЙ ДМИТРИЕВИЧ
КОНСПЕКТ ПОДГОТОВЛЕН СТУДЕНТАМИ, НЕ ПРОХОДИЛ
ПРОФ РЕДАКТУРУ И МОЖЕТ СОДЕРЖАТЬ ОШИБКИ
СЛЕДИТЕ ЗА ОБНОВЛЕНИЯМИ НА VK.COM/TEACHINMSU
отличной от 0, система переходит. Тогда существует финальное распределение, к которому есть экспоненциально быстрая сходимость.
25
МЕХАНИКО-МАТЕМАТИЧЕСКИЙ
ФАКУЛЬТЕТ
МГУ ИМЕНИ М.В. ЛОМОНОСОВА
СЛУЧАЙНЫЕ ПРОЦЕССЫ •
СОКОЛОВ ДМИТРИЙ ДМИТРИЕВИЧ
КОНСПЕКТ ПОДГОТОВЛЕН СТУДЕНТАМИ, НЕ ПРОХОДИЛ
ПРОФ РЕДАКТУРУ И МОЖЕТ СОДЕРЖАТЬ ОШИБКИ
СЛЕДИТЕ ЗА ОБНОВЛЕНИЯМИ НА VK.COM/TEACHINMSU
Лекция 6
Новая
формулировка марковского свойстваИсходная марковская формулировка подразумевает то, что у нас и время, и состо- яния перехода, которые мы изучаем, дискретны. Мы сейчас последовательно будем отказываться от дискретности и этот отказ не пройдет бесследно - нам придется поменять некоторые постановки вопросов, и у нас должны получиться аналоги кон- струкций Маркова с непрерывными временем и множеством состояний.
Начнем с первой задачи - отказ от дискретности времени. Вспомним, что было в исходной конструкции Маркова:
у нас был набор состояний ω
i и начальное распределение вероятностей p i
- веро- ятность того, что наша система находится в состоянии i. И, т.к. это вероятности,
то P
i p
i
= 1
. В исходной марковской теории эта сумма P
N
i p
i
= 1
конечная, т.к.
число i = 1, . . . , N. Если говорить об обобщениях, то, конечно, самый первый шаг - сделать число i бесконечным и рассматривать вместо конечных сумм ряды, но сей- час мы это рассматривать не будем. Дальше у нас возникает матрица переходных вероятностей ˆπ, которая показывает, с какой вероятностью мы переходим из состоя- ния i в состояние j на некотором шаге. Также имеет место следующее соотношение:
pˆ
π
(1)
=
p
(1)
и дальше процесс продолжается.
В прошлой лекции мы говорили о том, что если выполнены определенные условия,
то возникающие векторы p
(n)
7→
p
∗
и возникает финальное распределение. Кроме того, возникает произведение матриц ˆπ
(1)
ˆ
π
(2)
. . . ˆ
π
(n)
, которое тоже стремится к фи- нальному пределу.
С точки зрения матричной алгебры к этой задаче можно относиться как к зада- че спктральной теории, как мы и поступали в рамках прошлой лекции. В итоге у нас возникает распределение p
∗
= ˆ
π
p
∗
, которое является собственным вектором матрицы π и соответствует собственному числу, равному 1. Это возникает тогда,
когда матрицы ˆπ
(1)
, ˆ
π
(2)
, . . . , ˆ
π
(n)
одинаковы и ˆπ
(1)
ˆ
π
(2)
. . . ˆ
π
(n)
= ˆ
π
n
. Это однорожные марковские цепи.
Элементы матрицы ˆπ обладают таким свойством, что построчная сумма элемен- тов равна 1 - это нужно для того, чтобы вероятность перехода частицы из одного состояния в другое была равна 1. Такие матрицы называются стохастическими и,
соответственно, из определения таких матриц следует, что число 1 является соб- ственным значением этой самой матрицы.
При тех условиях, при которых выполняется теорема Маркова, это собственное зна-
26
МЕХАНИКО-МАТЕМАТИЧЕСКИЙ
ФАКУЛЬТЕТ
МГУ ИМЕНИ М.В. ЛОМОНОСОВА
СЛУЧАЙНЫЕ ПРОЦЕССЫ •
СОКОЛОВ ДМИТРИЙ ДМИТРИЕВИЧ
КОНСПЕКТ ПОДГОТОВЛЕН СТУДЕНТАМИ, НЕ ПРОХОДИЛ
ПРОФ РЕДАКТУРУ И МОЖЕТ СОДЕРЖАТЬ ОШИБКИ
СЛЕДИТЕ ЗА ОБНОВЛЕНИЯМИ НА VK.COM/TEACHINMSU
чение является старшим и к нему сходится вектор p.
Теперь мы
хотим сделать примерно то же самое, только мы хотим, чтобы вме- сто дискретного индекса n возникло непрерывное время t. Понятно, что исходная конструкция Маркова держится на том, что мы переходим от момента n = 0 к мо- менту n = 1 и т.д. и на каждом шаге возникает матрица ˆπ. Как только мы хотим сделать время t непрерывным, выясняется, что шага времени у нас нет - вместо этого есть непрерывное время t.
С начальным условием проблем нет - в начальный момент времени есть набор ве- роятностей p i
(0)
и P
N
i=1
p i
(0) = 1
. Вопрос состоит в том, что мы должны написать вместо матрицы ˆπ и как сформулировать марковское свойство.
Мы будем говорить, что мы переходим от момента времени s к моменту времени t - этим моментам будут соответствовать верхние индексы при матрицах переходных вероятностей. Т.е. вместо дискретного номера мы будем использовать непрерывное значение. Но мы не можем сказать, что наш переход - это переход от времени n − 1
ко времени n. Поэтому в матрице ˆπ элементы теперь должны зависеть от двух па- раметров ||p ij
(s, t)||
- вероятность перейти в состояние ω
i в момент времени t из состояния ω
j в момент времени s.
Теперь у нас возникает матрица ˆπ, которая зависит от двух моментов времени
ˆ
π(s, t) = ||p ij
(s, t)||
. Далее нам необходимо сформулировать марковское свойство.
У нас возникают три момента времени s, t
1
, t
. Теперь выпишем формулу полной вероятности:
ˆ
π(s, t) = ˆ
π(s, t
1
)ˆ
π(t
1
, t)
Теперь, если мы запишем это соотношение через элементы матриц, то получаем:
p ij
(s, t) =
P
N
k=1
p ik
(s, t
1
)p kj
(t
1
, t)
- марковское свойство.
Прямое и обратное уравнения Колмогорова
При выводе прямого и обратного уравнений Колмогорова мы не будем гнаться за общностью - от величин, входящих в конструкцию марковской цепи мы потребуем всего, что нам будет необходимо.
В данном случае мы потребуем, чтобы наша матрица ˆπ(s, t) ∈ C
1
Те утверждения, которые мы сейчас сформулируем и докажем, носят характер тео- рем. Прямое уравнение Колмогорова - уравнение для производных по t, обратное
27
МЕХАНИКО-МАТЕМАТИЧЕСКИЙ
ФАКУЛЬТЕТ
МГУ ИМЕНИ М.В. ЛОМОНОСОВА