книги из ГПНТБ / Острем К.Ю. Введение в стохастическую теорию управления
.pdf30 |
Глава 2 |
* ( / ) = £ а,-МО. |
(3-16) |
>=1
где а,-— случайные переменные, а МО—известные функции, которые часто использовались при первых попытках описать случайные процессы, представляют более общий пример чисто детерминированных процессов.
Упражнения |
|
|
|
|
|
|
|
|
|
|||
|
1. |
Пусть |
{x(t), |
teT}—нормальный |
|
процесс с |
нулевым |
|||||
средним значением. Показать, что |
|
|
|
|
||||||||
|
|
|
Е |
[х (У х (tt) х (t3) х (/,)] |
= |
г |
/2) т (/8> Q + |
|
||||
|
|
|
|
+ r(t1,t3)r(t2,ti) |
+ |
r(t1, |
tt)r(tt, |
t3). |
|
|||
|
2. Пусть |
{x(t), |
t |
e 7 } — нормальный |
процесс с нулевым сред |
|||||||
ним значением. Показать, что |
|
|
|
|
|
|
||||||
|
|
|
E[x[t1)x{t2)--.x(tbl)]=S[Ex[tli)x[tlt)y.- |
|
|
|
||||||
|
|
|
|
|
|
•••[Ex^xfrJ], |
|
|
|
|
|
|
где сумма берется |
j раз. |
|
|
|
|
|
|
|||||
|
3. |
Пусть |
х и |
у— |
вектор-столбцы произвольной размерности |
|||||||
и допустим, |
что |
У' |
— нормальный |
вектор |
со средним |
значеии- |
||||||
|
|
|
|
|
X |
|
|
|
|
|
|
|
ем |
тп"л: |
и ковариацией |
|
|
|
|
|
|
||||
пг„ |
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
Rx |
|
Rxy |
|
|
|
|
|
|
|
|
|
|
Ryx |
|
Rg . |
|
|
|
Показать, что условное распределение х при заданном у явля ется нормальным со средним значением
m=mx + Rxy Ry~l {у — my)
и ковариацией
R — Rx — Rxy Ry Ryx-
4. Пусть x есть n-мерный вектор-столбец, имеющий нормаль ное распределение со средним значением m и ковариацией Ro- Пусть 5 — симметрическая матрица и v — квадратичная форма
v=xT Sx.
Показать, что
Ev = mT Sm + tr R0 S/
|
Случайные |
процессы |
31 |
|
5. Является |
ли процесс скользящего |
среднего |
первого по |
|
рядка |
x(l) = e{t)+ce(t— |
|
|
|
|
1), |
|
||
где {e(t), 1=..., |
— 1 , 0, 1, ...} —последовательность |
независимых |
||
нормальных случайных величин |
с параметрами (0, 1), стацио |
нарным, нормальным, марковским, эргодическим и сингуляр ным? Имеет ли он независимые приращения?
6. Рассмотреть процесс авторегрессии первого порядка |
|
|||||||||
x(t+l) |
+ ax(l) = e(t), t = t0, |
t0 |
+ |
l |
|
|
|
|||
где | а | < 1 , |
{e{t)} |
— последовательность |
независимых |
нормаль |
||||||
ных случайных величин с параметрами |
(0, 1), а начальное со |
|||||||||
стояние x(t0) |
—нормальное |
с параметрами |
(0, а). Последова |
|||||||
тельность {e(t)} |
независима |
от x(t0). |
Является |
ли процесс |
ста |
|||||
ционарным, |
нормальным, марковским, |
эргодическим |
или |
вы |
||||||
рожденным? Имеет ли он независимые |
приращения? |
|
|
|||||||
7. Рассмотреть процесс авторегрессии из упражнения б, но |
||||||||||
считать, что x(t0) |
и e(t0) —совместно |
нормальные |
процессы |
|||||||
с корреляцией р. Будет ли этот процесс |
марковским? |
|
{x(t), |
|||||||
8. Рассмотреть вырожденный |
случайный |
процесс |
||||||||
0 ^ ^ < ° о } , |
определяемый соотношением |
|
|
|
|
|
^= 0,
dt
где начальное состояние — нормальное с параметрами (0, о).
Будет |
ли он эргодическим? |
Найти упредитель |
для |
процесса, |
|||
который будет предсказывать x{t-\-h) |
на основании |
измерений |
|||||
x(t). |
|
|
|
|
|
|
|
9. Рассмотреть стохастический |
процесс |
|
|
|
|||
|
dx_ |
0 |
Г |
X, |
|
|
|
|
dt |
- 1 |
0_ |
|
|
|
|
где начальное состояние — нормальное с нулевым средним |
зна |
||||||
чением |
и ковариацией cov[x(0), |
x(0)]=^q ^J. |
Является |
ли |
процесс эргодическим? Найти упредитель, который будет пред
сказывать x{t-\-h) |
на основании наблюдений {xi(s), |
to^s^t}. |
|
10. Пусть {x(t), |
teT}—винеровский |
процесс |
с единичным |
значением параметра дисперсии. Показать, что |
|
||
Р (со; maxxft, со) > а\ = 2Р (со; х(Т,) > с ) |
= |
]Л>я7\ J
32 |
|
|
|
|
|
|
Глава |
2 |
|
|
|
|
|
|
|
|
|
4 . КОВАРИАЦИОННАЯ ФУНКЦИЯ |
|
|
|||||||||
|
В разделе кратко изложены свойства |
ковариационных функ |
||||||||||||
ций. Пусть {x(t), |
teT} |
и {y{t), |
teT} |
—случайные процессы вто |
||||||||||
рого |
порядка. Их |
ковариационная |
|
функция |
была |
определена |
||||||||
выше соотношением |
|
|
|
|
|
|
|
|
|
|
||||
гху |
(s, t) = cov [х (s), |
у (/)] = |
Е |
[х (s) - |
Ex (s)] \у (t) - Еу |
(t)]т. |
(4.1) |
|||||||
В |
частности, |
если |
rxy(s, |
t) |
есть |
функция |
разности |
аргументов |
||||||
s—t, |
то эти |
процессы |
совместно |
стационарны |
в широком смыс |
|||||||||
ле. Следовательно, |
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
rxy{s,l) |
|
= rxu{s-i). |
|
|
|
(4.2) |
||
Если процессы {x(t), |
teT} |
и |
{y(t), |
t еТ} |
одинаковы, то rxx(s, |
t) |
||||||||
называют автоковариационной |
функцией. |
Для простоты rxx(s, |
t) |
|||||||||||
обозначают иногда через rx(s, |
t). |
|
|
процессов |
{x(t), |
teT} |
||||||||
|
Взаимная |
корреляционная |
функция |
|||||||||||
и |
{#(0> teT} |
определяется |
выражением |
|
|
|
|
PXy(S,t)= ГХ"{5'П
Уrxx{s, s)ryy (t, t)
Автокорреляционная |
функция процесса {x(t), teT} определяет |
ся выражением |
|
Px,(«,0= . |
' " < « ' ' » = . |
|||
|
|
V rxx(s, |
S) г х х (t, t) |
|
В частности, для стационарных |
процессов |
|||
Рху{1) |
= |
- |
|
. |
|
|
У |
гхх(.0)гуу(0) |
|
Р „ ( т |
) - ^ - . |
|
||
|
|
Гхх ( 0 ) |
|
|
Поскольку нормирование |
является |
трудоемкой операцией, кор |
реляционные функции используются редко. Отметим, что иногда в литературе термин «автокорреляционная функция» использу
ется для обозначения Ex(t)x{t-\-%)1. |
Если х |
и у — векторные |
|||
величины |
(например, n-мерные векторы), ковариационная функ |
||||
ция определяется следующим выражением: |
|
||||
1 В |
отечественной литературе по теории вероятностей и ее применениям |
||||
обычно |
rxy(s, |
t) |
называется взаимной корреляционной функцией случайных |
||
функций |
x(t) |
и |
y(t), a rxx(s, t) — автокорреляционной |
функцией случайной |
функции x(t); функция pxV(s, t) называется нормированной взаимной корре ляционной функцией x(t] и y{t), a pxx(s,t) —нормированной автокорреляци онной функцией x(t). — Прим. ред.
|
|
|
Случайные |
процессы |
|
|
|
|
33 |
|||
Rxy (s,i) |
= cov [x(s), |
у(/)] =E[x(s)-Ex(s)} |
|
|
|
[y(t)-Ey(t))T |
|
|||||
'cov [xx (s), y± (0| cov {xx (s), y2 (t)} ••• |
cov [xx (s), |
г/„ (*)]' |
|
|||||||||
cov [*„ (s), |
г/х |
(/)] cov [x2 (s), уг(t)] |
• • • |
cov [x2 |
(s), |
г/„ {t)] |
|
|||||
L cov [x„ (s), yx |
{t)\ cov [x„ (s), y2{t)] |
• • • |
|
cov [x„ (s), yn{t)] |
J |
|||||||
Заметим, |
что все определения |
справедливы |
для процессов |
как |
||||||||
с непрерывным |
временем, |
так |
и |
с |
дискретным. |
Рассмотрим |
||||||
свойства ковариационной функции. |
|
|
|
|
|
|
||||||
Теорема 4.1. Пусть {x(t), |
teT} |
—действительный |
случайный |
|||||||||
процесс второго порядка с ковариационной |
функцией rx(s, |
t). |
||||||||||
Тогда |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
I) rx(s,t) |
= rx(t,s); |
|
|
|
(4.3) |
||||
л |
|
|
|
|
|
|
|
|
|
|
|
|
2) ^ ] |
ZiZjrx(ti, |
ij) |
—квадратичная |
форма |
Zj, неотрицательно |
определенная для всех чисел п и для каждого выбора точек от
счета tjtT, 1=\, |
2, |
п; |
|
|
|
|
|
|
3) \гх {s,t)\2<rx |
{s,s)rx |
{t,t); |
(4.4) |
|
4) если rx(s, |
t) |
непрерывна |
вдоль |
диагонали |
s = t, то она |
|
непрерывна для всех t. |
|
|
|
|
||
Доказательство. Первое утверждение следует непосредствен |
||||||
но из определения ковариационной |
функции |
|
||||
тх (s, 0 = |
cov [х (s), х (/)] =cov |
[х (t), х (s)] = |
гх (t, s). |
Для доказательства второго утверждения предположим, что
Ех—0, и составим выражение |
|
Я ( [ i > , * & ) f } = £ ziziE[x(ti)x(ti))= |
t^z,rx(ti,t,). |
Так как в левой части записано математическое ожидание неотрицательной величины, то оно неотрицательно, и утверж дение 2 доказано. Утверждение 3 следует из неравенства Шварца
E\xy\<VEx*Ey\ |
(4.5) |
для доказательства которого допустим, что а — действительная постоянная величина, и рассмотрим неравенство
(\х\ + |
а\у\)>>0. |
3-403
34 Глава 2
Взяв среднее от обеих частей, получим
Ex2 + 2аЕ \ху\ + а? Еу2 = (Еу2) |
Е\ху\ |
+ Ех2- |
(Е И ) 8 |
>0. |
Еу* |
Eif- |
Так как левая часть должна оставаться неотрицательной для всех а, то получим
[Е\ху\]2^Ех2Еу\
что и требовалось доказать.
Чтобы доказать утверждение 4, рассмотрим
\r£(s |
+ |
h, t + k)~rx(s,t)\ |
= \cov [x(s |
+ |
h), |
x(( |
+ k)~x(t)j |
+ |
||||||||
|
-fcov |
[x(s + |
h) — x{s), |
* ( 0 ] | < |
|
|
|
|
|
|
|
|||||
|
< |
[rx |
(s + |
h, |
s + h) [rx |
|
{t + |
k,t |
+ |
k) — 2rx |
|
(t + |
k, t) + |
|
||
|
+ |
rx it, t\\'h+ |
{[rK (s + |
h,s |
+ |
h)~ |
2rx |
(s + |
h,s) |
+ |
|
|||||
|
+ rx(s,s)]rx(t,t)\'/-. |
|
|
|
|
|
|
|
|
|
|
(4.6) |
||||
Неравенство |
в этом выражении |
следует |
из |
неравенства |
(4.4). |
|||||||||||
Пусть |
h, |
fe-vO, |
тогда rx(t+k, |
t)-+rx{t, |
|
t) |
и |
rx(t+k)-+rx{t, |
t), |
|||||||
так как rx(s, |
t) |
—непрерывная |
функция |
для |
s=t. |
В этом |
слу |
|||||||||
чае правая часть выражения |
(4.6) |
сходится к нулю, и утвержде |
||||||||||||||
ние 4 доказано. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Ковариационная функция стационарных в широком смысле |
||||||||||||||||
процессов имеет следующие |
|
свойства: |
|
|
|
|
|
|
|
|||||||
Е 2,-z; г, |
|
|
О, |
|
|
|
|
|
|
|
|
|
|
|
||
|гЛ*)КМ0). |
|
|
|
|
|
|
|
|
|
|
|
|
||||
Если |
гх(х) |
непрерывна |
для |
т = 0 , |
то |
гх(%) |
|
непрерывна |
для |
|||||||
всех т. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Упражнения
!. Могут ли следующие функции быть ковариационными функциями стационарных случайных процессов:
г(т) = const,
г(т) = cos т,
r(x) = |
f 1 ' |
N < 1 . |
|
|
10, |
| т | > 1 , |
|
( , _ |
1 о , |
Ы > 1 , |
. |
Случайные процессы |
3 5 |
|
|
|
|
|
1-г-2||г|-|-т2 ' |
|
|
|
|
|
|
||
|
|
|
|
|
2, |
т = 0, |
|
|
|
|
|
|
|
|
|
|
|
|
е - | т | , |
т=^0 . |
|
|
|
|
|
|
|
2. |
Пусть |
{e(t), |
t=..., |
— 1 , О, 1,...} —последовательность |
неза |
||||||||
висимых нормальных случайных |
величин |
с параметрами |
(0,1). |
||||||||||
Рассмотреть случайный |
процесс |
|
|
|
|
|
|
|
|
||||
|
|
x(t) |
+ ax{t — l) = e(t) + |
ce{t~\), |
|
|
|
|
|||||
где | а | < 1 . Определить ковариационную |
функцию данного |
про |
|||||||||||
цесса. |
|
|
|
|
|
|
|
|
|
|
|
|
|
3. Случайный телеграфный сигнал есть непрерывный случай |
|||||||||||||
ный процесс {x(t), |
— о о ^ ^ о о } |
со |
следующими |
свойствами: |
|||||||||
х может принимать только |
значения |
+ 1 или — 1 ; вероятность |
|||||||||||
того, что х |
изменит свое значение на интервале |
(t, |
t~\-h), |
есть |
|||||||||
%h-\~0(h). Определить |
ковариационную |
функцию |
этого |
про |
|||||||||
цесса. |
|
|
|
|
|
|
|
|
|
|
|
|
|
Указание. |
Вероятность |
того, что процесс |
изменяется |
п |
раз |
||||||||
на интервале длины t, есть |
(Kt)n/n\ |
ехр(—М). |
|
|
|
|
|
||||||
4. |
Пусть X—линейный |
оператор, коммутативный |
с операци |
||||||||||
ей нахождения математического |
ожидания. |
Показать, что не |
|||||||||||
обходимым |
условием того, что |
стационарный |
процесс |
|
{x(t), |
||||||||
teT} |
сингулярный, |
или чисто детерминированный, т. е. X х = 0 , |
|||||||||||
являются следующие свойства ковариационной |
|
функции |
r(s, t) |
||||||||||
этого |
процесса: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Xr(-,t) |
= 0, |
t = const, |
|
|
|
|
|
|||
|
|
|
Xr |
(s, •) = 0, |
s = const. |
|
|
|
|
|
|||
5. Доказать, что |
|
|
|
|
|
|
|
|
|
|
|||
|
|
cov [Ах + а, |
Ву + Ь] |
A{cov[x, |
у]\ВТ. |
|
|
|
5. ПОНЯТИЕ СПЕКТРАЛЬНОЙ ПЛОТНОСТИ
Рассмотрим стационарный в широком смысле случайный процесс {x(t), teT} со средним значением т и ковариационной функцией гх(х). Найдем другую характеристику этого процесса, которая позволит дать иную физическую интерпретацию и упро стить некоторые формулы. Этой характеристикой в сущности является преобразование Фурье для ковариационной функции. По теореме 4.1 ковариационная функция имеет следующие свойства:
г (т) = г {—%), |
(5.1) |
|
(5.2) |
3 *
36 |
Глава 2 |
Таким образом, ковариационная функция есть неотрицательно определенная функция, которую по теореме Бохнера всегда можно представить в виде
|
|
|
го |
|
|
|
|
|
|
|
|
|
г ( т ) = |
J* ешх dF (со) (для процесса с непрерывным |
временем) |
(5.3) |
|||||||||
или |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
я |
|
|
|
|
|
|
|
|
|
|
г(т) = |
j |
eimdF(a) |
(для процесса с дискретным временем), |
(5.4) |
||||||||
|
|
—я |
|
|
|
|
|
|
|
|
|
|
где |
F — неубывающая функция. Функция F |
называется |
спект |
|||||||||
ральной |
|
функцией |
распределения |
случайного |
процесса. Она мо |
|||||||
жет быть разложена на три компоненты: |
|
|
|
|
||||||||
|
|
|
|
|
F(w) |
= Fa(®) + FA«>) + Fs(<u), |
|
|
(5.5) |
|||
где |
Fa |
— абсолютно |
непрерывная |
|
функция, |
Fa — ступенчатая |
||||||
функция |
и Fs— непрерывная почти |
везде постоянная |
функция. |
|||||||||
Функция |
Fs |
называется сингулярной |
частью. Функции |
Ра |
и Fa |
|||||||
можно записать в следующем виде: |
|
|
|
|
|
|||||||
|
|
|
|
|
|
F e H = J q > ( a > W , |
|
|
(5.6) |
|||
|
|
|
|
|
|
|
|
|
|
|
|
(5.7) |
|
|
|
|
|
|
V |
|
|
|
|
|
|
где Ф(со) называется функцией |
спектральной |
плотности, или |
||||||||||
просто |
спектральной |
плотностью. |
Если предположить, |
что син |
||||||||
гулярная |
часть Fs |
и ступенчатая |
функция Fd равны |
нулю, то |
||||||||
можно найти уравнения, связывающие спектральную |
плотность |
|||||||||||
и ковариационную |
функцию: |
|
|
|
|
|
|
|||||
Ф(ю) = |
2п |
• j |
е~шг{1) dt |
|
|
|
|
|
(5.8) |
|||
|
|
|
|
|
(для |
|
процесса с непрерывным |
|
||||
|
|
|
|
е ш ф (со) d® |
|
временем), |
|
|
(5.9) |
|||
r(t)- |
|
|
|
|
|
|
|
|||||
<р(со) • |
1 |
|
|
|
|
|
|
|
|
(5.10) |
||
2п |
|
|
(для процесса с дискретым |
|||||||||
|
|
|
——оо |
|
|
|||||||
|
|
|
|
|
|
|||||||
г{п) |
|
J |
е'п и ф(со)^(й |
|
временем). |
|
|
(5.11) |
||||
|
|
|
|
|
|
Случайные |
процессы |
37 |
Если считать, что спектральная плотность есть распределение, или обобщенная функция, то эти уравнения будут справедливы также при РаФО.
Заметим, что
varx = r(0) = j d F (со), |
(5.12) |
где интеграл берется по интервалу (—п, я) для процесса с ди скретным временем и по ( — оо, оо) для процесса с непрерыв ным временем. Таким образом, сумма элементарных дисперсий, распределенных по всему диапазону частот, дает дисперсию слу чайного процесса. Аналогично сумма
—а, |
ш. |
со, |
|
J dF (со) + |
J dF (со) + j dF (со) при соа > сох > 0 |
(5.13) |
|
— С О , |
СО, |
СО, |
|
может быть интерпретирована как общая дисперсия случайного процесса в диапазоне частот (<±>г, сог)- Таким образом, функция F(a>) дает представление о распределении дисперсии по частоте. Отсюда и возникло название «спектральная функция распре деления».
Влитературе иногда можно встретить множитель 2я в пре образовании Фурье. Рассмотренная выше физическая интерпре тация дает простое правило [выражение (5.2)] для запомина ния принятого в данной книге фурье-преобразования.
Влитературе часто используется следующая пара преобра зований:
S(f)= |
( |
e-^rtfdt, |
(5.14) |
г ( т ) = |
J |
e+3n4xS{f)df. |
(5.15) |
Если ввести |
— го |
|
|
|
|
|
|
ср (со) da = |
S(f)df, |
со = 2nf, |
то можно найти связь между ср(со) и S(f):
" M - h s f f i - |
< 5 Л 6 ) |
Используя единицы измерения радиан в секунду и герц, найдем,
что как ф, так и S обладают одним свойством: для |
процессов |
с Fd=0 и Fs=0 площадь под кривой спектральной |
плотности |
равна общей дисперсии процесса. |
|
38 |
Глава 2 |
|
Разложение стационарных процессов |
|
|
Существует разложение стационарных процессов {x(t), |
teT}, |
|
которое соответствует |
разложению спектральной функции |
рас |
пределения [выражение (5.5)]. Можно показать, что стацио
нарный случайный процесс {x(t), teT} |
можно разложить на три |
||||
независимых процесса: {xa(t), teT}, |
{Xd(t), teT} |
и {xs(t), |
teT},, |
||
имеющие |
соответственно спектральные |
функции |
распределения |
||
Fa, Fd и Fs, |
так, что |
|
|
|
|
|
( 0 + |
+ * , ( ' ) • |
|
(5Л7) |
Если функция Fa имеет конечное число скачков, то процесс Ха состоит из конечной суммы гармоник. Следовательно, процесс Xd есть процесс, определяемый соотношением (3.16), где й,(7) — синусоидальные функции. Следовательно, этот процесс чисто детерминированный. В общем случае процесс ха будет иметь счетное число разрывов. Однако и в этом случае можно пока зать, что он является детерминированным. Можно показать, что процесс xs также чисто детерминированный. Процесс ха может быть как детерминированным, так и недетерминиро ванным.
Колмогоров показал, что для дискретного параметра процесс является чисто детерминированным, если интеграл
|
/ = |
f|log^>)|dc o |
(5.18) |
|||
|
|
|
—л |
|
|
|
бесконечен, и |
процесс |
является |
недетерминированным, если |
|||
интеграл (5.18) |
конечен. |
|
|
|
|
|
Соответствующий критерий |
для |
процессов с |
непрерывным |
|||
параметром определяется |
интегралом |
|
||||
|
|
|
со |
I log F'(со)| |
|
|
|
/ |
|
Г |
(5.19) |
||
|
= |
1 |
|
da>. |
||
|
|
J |
- |
1 + ш 2 |
|
|
Этот критерий предложен Винером. Критерий того, что интеграл (5.19) конечен, называется условием Винера—Пэли.
Понятие белого шума
Используем введенную выше спектральную функцию распре деления .F(cu) для определения характеристик частного вида случайного процесса — белого шума. Рассмотрим стационарный в широком смысле случайный процесс {x(t), teT}. Без потери общности можно считать, что среднее значение этого процесса равно нулю. Поскольку спектральная функция распределения
Случайные процессы |
3 9 |
характеризует распределение дисперсии процесса по |
частоте, |
можно дать следующее определение: |
|
Определение 5. 1. Стационарный в широком смысле |
процесс |
с функцией /г(со) = const-co называется белым шумом. Отметим,
что для белого шума сингулярная часть Fs |
и дискретная часть |
||||
Fd разложения спектральной |
функции |
распределения |
обраща |
||
ются в нуль. Таким образом, |
белый |
шум |
имеет |
постоянную |
|
спектральную плотность ср (со) == const. Сделаем теперь |
некото |
||||
рые выводы из данного определения |
отдельно для |
процессов с |
|||
дискретным и непрерывным временем. |
|
|
|
|
Белый шум с дискретным временем
Для анализа свойств белого шума с дискретным временем вычислим сначала его ковариационную функцию. Подставляя в выражение (5.11) формулу cp(co) =const=c , находим
л
|
(5.20) |
|
Таким образом, для белого шума |
с дискретным временем |
|
л = 0, |
(5.21) |
|
п = ± 1, |
||
± 2 , • . |
Это означает, что значения этого процесса в различные моменты времени не коррелированы, а для нормального белого шума также независимы. Таким образом, белый шум с дискретным временем есть процесс, который состоит из последовательности некоррелированных (в нормальном случае также независимых) случайных переменных. Поэтому белый шум с дискретным вре менем называют иногда полностью некоррелированным процес сом, или чисто случайным процессом.
Белый шум с непрерывным временем
В введении отмечалось, что анализ непрерывных процессов намного сложнее анализа дискретных процессов. На примере белого шума с непрерывным временем можно проиллюстриро вать некоторые трудности, с которыми приходится сталкиваться при анализе непрерывных процессов. Из определения 5.1 следу ет, что
ср (со) = const = с.
Поскольку дисперсия процесса есть интеграл от ср (со) по (—со, о о ) , обнаруживаем, что белый шум с непрерывным временем не имеет конечной дисперсии. Следовательно, белый шум с непре-