Zufällige Prozesse
Definition des zufälligen Prozesses
Das Beispiel der Vielfachstreuung im vorherigen Abschnitt führt uns direkt zum
Begriff des zufälligen Prozesses.
Wir gehen daher jetzt einen Schritt weiter und diskutieren zufällige Prozesse.
Ein zufälliger Prozeß wird vollkommen analog zur Definition der
zufälligen Veränderlichen eingeführt. Gegeben sei ein Ereignisraum
mit endlich vielen oder abzählbar unendlich vielen Elementarereignissen
.
Wir ordnen jedem Elementarereignis eine Funktion
zu. Diese Zuordnung kann, ähnlich wie bei der Abbildung der Ereignisse auf
eine zufällige Veränderliche, durch die Zuordnung
|
(1) |
beschrieben werden. Man schreibt auch hier symbolisch:
|
(2) |
Man muß also klar unterscheiden: Eine zufällige Veränderliche wurde
definiert durch eine Abbildung des Ereignisraumes auf eine Teilmenge der
reellen Zahlen, ein zufälliger Prozeß wird definiert durch eine
Abbildung des Ereignisraumes auf eine Menge von Funktionen.
Einfache Beispiele von zufälligen Prozessen sind:
|
(3) |
wobei eine zufällige Veränderliche ist. Ein solchen Prozess können wir im ersten
Applet
studieren. Öffnen Sie hierzu das Auswahlmenu Process und wählen Sie Process1.
Weiterhin öffnen Sie das Fenster View. Es erscheint ein Bildschirm, auf dem ein Strom
mit zufälligen Werten für , und gezeigt wird. In dem Auswahlfenster
Plot haben Sie die Möglichkeit, zu 4 verschieden Zeiten Time1, Time2, Time3 und Time4
sich die Verteilung des Stromes anzeigen zu lassen. Diese Zeiten sind auf dem Bildschirm als rote
Linien dargestellt. Man erhält ersichtlich zu allen Zeiten die gleiche Verteilung. Auf die Verteilungen
mit den Bezeichnungen Correlation 1 und CorrelationFunction werden wir noch am Ende dieses
Abschnittes zurückkommen.
Allgemeiner kann ein Prozess auch durch
|
(4) |
dargestellt werden, wobei die die Komponenten eines zufälligen Vektors
sind und die irgendwelche
Funktionen sind.
In den beiden vorhergehenden Beispielen konnten wir den zufälligen
Prozeß als gegeben ansehen, wenn die Dichtefunktion
der zufälligen Veränderlichen in (3) bzw die Dichtefunktion
des zufälligen Vektors in (4) bekannt sind. Zufällige
Prozesse sind aber im allgemeinen nicht so einfach darstellbar wie
in den beiden obigen Beispielen. Wir verallgemeinern daher und sagen:
Ein zufälliger Prozeß ist als gegeben anzusehen,
wenn für beliebige Zeiten die Dichtefunktionen der
zufälligen Veränderlichen bekannt sind. Hierbei können die
für verschiedene Zeiten durchaus verschiedene
Dichtefunktionen sein.
Um es nochmal mit anderen Worten zu sagen: Bei einem Versuch können
endlich viele oder abzählbar unendlich viele Funktionen als
Ergebnis des Versuches auftreten. Handelt es sich hierbei um zufällige
Ereignisse, so nennen wir einen zufälligen Prozeß. Wir führen
jetzt einen Zeitschnitt ein und betrachten
zu einer festen Zeit . ist dann eine
zufällige Veränderliche mit der Dichtefunktion .
Wir betrachten den zufälligen Prozeß als gegeben, wenn die
Dichtefunktionen für beliebige Zeiten bekannt sind.
Die weitere Untersuchung von zufälligen Prozessen basiert damit
weitgehend auf der Untersuchung der zufälligen Veränderlichen
mit der Dichtefunktion für beliebige, aber feste Zeiten .
Beispiele
Zwei einfache Beispiele sollen das Gesagte verdeutlichen. Bei der im vorherigen Abschnitt
behandelten Vielfachstreuung beim Durchgang von Teilchen durch Materie können wir die
Strecke auch durch die Zeit ersetzen, bei konstanter Geschwindigkeit ist dann
und die Dichtefunktion zur Zeit lässt sich schreiben als:
|
(5) |
Im folgenden
Applet
zeigen wir noch einmal die Dichtefunktionen bei verschiedenen Strecken
und bzw Zeiten und . Öffnen Sie hierzu zunächst im rechten Auswahlfenster
die Wahl x1-x2. Im Hauptfenster sehen Sie dann die Korrelation der Abweichungen der
Teilchenbahn von der geradliniegen Bahn bei den Zeiten und . Zusätzlich
werden zwei Fenster geöffnet, in denen die Verteilung der Abweichungen selbst gezeigt wird.
Beide sind normal verteilt, die Verteilung bei ist offensichtlich schmaler als die
Verteilung bei .
Ein weiteres Beispiel ist der Rauschstrom an einem Widerstand. Bei konstanter Spannung ist der
Strom bekanntlich durch gegeben. Durch Instabilität des Netzes und durch Temperaturschwankungen
erhält man allerdings einen statistisch schwankenden Strom,
|
(6) |
wobei wir den Rauschprozess durch die Dichtefunktion
|
(7) |
darstellen können. Insgesamt erhält man in diesem Fall als Dichtefunktion des Stromes :
|
(8) |
In unserem schon bekannten
Applet
starten Sie jetzt den Prozess Process 2.
Die Dichtefunktion ist normal verteilt und hängt nicht von der Zeit ab. Legen
wir statt der Gleichspannung allerdings eine Wechselpannung an, so wird die Dichtefunktion sehr
wohl von der Zeit abhängen. Die Berechnung solcher Prozesse müssen wir auf ein späteres Kapitel
verschieben, da uns noch die mathematischen Grundlagen fehlen.
Führen wir jetzt in Verallgemeinerung des eben gesagten Zeitschnitte
ein und betrachten die zufälligen
Veränderlichen
, so bilden diese einen
zufälligen Vektor
.
Wir benutzen die folgenden symbolischen Schreibweisen,
und schreiben die Dichtefunktion des zufälligen Vektors als
Wir können dann sagen:
Ein zufälliger Prozeß ist als gegeben anzusehen, wenn die
Verteilungsfunktionen
für beliebige Zeiten
und für beliebige natürliche
Zahlen bekannt sind.
Momente
Im Sinne der vorherigen Ausführungen definieren wir als gewöhnliches
Moment der Ordnung
den Mittelwert
und als zentrales Moment den Mittelwert
Die Definitionen für Varianzen, Kovarianzen sowie alle Rechenregeln für
die allgemeinen Momente sind vollkommen identisch zu denen des vorgerigen
Kapitels über zufällige Veränderliche und brauchen daher nicht
wiederholt zu werden.
Stationäre zufällige Prozesse
In der Praxis hat man es im allgemeinen nur mit einer sehr eingeschränkten
Klasse von Prozessen zu tun. Wir definieren:
Ein zufälliger Prozeß heißt stationär, wenn für beliebige Zeiten
und für ein beliebiges Zeitintervall
gilt:
|
(11) |
Man kann also, ohne die Dichtefunktion zu ändern, einen -
dimensionalen Schnitt durch einen stationären zufälligen Prozeß
zeitlich beliebig verschieben, wenn dabei nur die einzelnen zeitlichen
Abstände erhalten bleiben. Wichtig ist in (11) also, daß das Zeitintervall
für alle
dasselbe ist. Als Gegenbeispiel sei
unser Applet über Vielfachstreung genannt. Die zweite Variable ist hier der Ablenkwinkel
. Die gemeinsamen Dichtefunktion hängt wird in beiden Variablen breiter,
wenn man in der Zeit von nach geht. Unser Rauschstrom dagegen ist
stationär.
Der stationäre Prozeß ist ein Sonderfall des periodischen Prozesses,
zu dessen Definition man gelangt, wenn der Verschiebungsparameter
durch ersetzt wird. ist die Periodendauer des Prozesses und
eine natürliche Zahl.
Ein zufälliger Prozeß heißt periodisch mit der Periodendauer , wenn
für eine beliebige natürliche Zahl gilt:
|
(12) |
Ein Sonderfall der stationären Prozesse sind die normalen Prozesse.
Wir definieren:
Ein zufälliger Prozeß heißt normal, wenn für beliebige Zeiten
gilt:
|
(13) |
Wir hatten die - dimensionale Normalverteilung im vorherigen Unterkapitel
bereits kurz diskutiert. Die Matrix ist hierbei die inverse Matrix der
Kovarianzmatrix,
Korrelationsfunktion
Bei einem Schnitt durch einen stationären Prozeß an der Stelle
erhalten wir eine eindimensionale Veränderliche
, für deren Dichtefunktion
nach (11) gilt:
|
(14) |
Wählen wir speziell
, so folgt
|
(15) |
Daher: Bei einem stationären Prozeß sind alle eindimensionalen
Dichtefunktionen
unabhängig von der speziellen Wahl
von . Für die zweidimensionale Dichtefunktion gilt entsprechend
|
(16) |
Setzen wir wieder
, so gilt
|
(17) |
Daher: Bei einem stationären Prozeß sind alle zweidimensionalen
Dichtefunktionen
nur von der Zeitdifferenz
abhängig. Wir lassen im folgenden den Nullindex weg und
schreiben daher
|
(18) |
Wir betrachten jetzt das normale Moment zweiter Ordnung
|
(19) |
Da die Dichtefunktion nur von abhängt, können wir setzen
|
(20) |
Man nennt
die Korrelationsfunktion des zufälligen
Prozesses . Man beachte, daß
nicht mit der exakten Definition eines Korrelationskoeffizienten
übereinstimmt. Besser wäre die Bezeichnung ,,Momentenfunktion zweiter
Ordnung''. In der technischen Literature hat sich aber der Ausdruck
,,Korrelationsfunktion'' fest eingebürgert.
Für die Korrelationsfunktion ergeben sich folgende vier Grundeigenschaften:
Die Beweise überlassen wir dem Leser. Aus diesen 4 Eigenschaften läßt
sich der grundsätzliche Verlauf der Korrelationsfunktion, wie in Abb.1
gezeigt, herleiten. Dieses Bild haben wir als Screenshot aus unserem
Applet gewonnen,
wobei wir den Prozess Process 1 und den Plot CorrelationFunction ausgewählt haben.
Die schwarz dargestellten Bereiche stellen hierbei negative Werte dar.
Abbildung 1:
Grundsätzlicher Verlauf der Korrelationsfunktion. Die schwarz dargestellten Werte sind
negative Zahlen.
Integral zufälliger Prozesse
Das Integral über einen zufälligen Prozeß ,
|
(25) |
ergibt einen anderen zufälligen Prozeß . Die zwei wichtigsten
Regeln sind:
1. In (25) darf die Mittelwertbildung unter dem Integral ausgeführt werden:
|
(26) |
2. Ist ein normaler Prozeß, so ist auch ein normaler Prozeß.
Der Beweis der zweiten Behauptung erfordert die Einführung der erzeugenden
Funktionen und muß daher auf ein späteres Kapitel verschoben
werden.
Aufgaben
Aufgabe 1:
Gegeben sei ein stationärer normaler Prozeß mit verschwindendem
Mittelwert und der Korrelationsfunktion
Wie groß ist die Wahrscheinlichkeit dafür, daß einen Wert annimmt,
der größer als ist?
Als Zahlenwerte nehmen Sie: , ,
,
.
Aufgabe 2:
Ein experimenteller Versuch gibt zu Beginn eines konstanten Zeitintervalls
einen Puls mit konstanter Amplitude ab. Die Pulslänge
sei mit der Dichtefunktion
verteilt. Wie groß ist die Wahrscheinlichkeit dafür, daß sowohl bei
als auch bei der
Amplitudenwert beobachtet wird? Die Richtigkeit Ihrer Lösung können Sie im
Applet
prüfen, wenn Sie den Prozess Process 3 und den Plot Correlation 1 auswählen.
Gezeigt wird dann die gesuchte Funktion
Harm Fesefeldt
2005-03-16