‫حی‬ ‫ل‬ ‫حم‬ ‫ل‬

‫م اهلل ا ر ن ا ر م‬ ‫بس‬

‫‪1‬‬
 ‫فرایندهای اتفاقی‬
‫‪Stochastic Processes‬‬
‫ترم پاییز‬
‫سال تحصیلی ‪1400-1401‬‬

‫حسین کاظمی‬
‫‪krhkazemi@ihu.ac.ir‬‬

‫‪2‬‬
‫فرایندهای اتفاقی (تصادفی)‬
‫ادامه مفاهیم‬

‫‪3‬‬
 ‫ویژگیهای خاص فرایندها‬
‫‪ ‬فرایندهای مستقل‬
‫‪ ‬فرایندهای نویز سفید‪-a ،‬وابسته و ‪-a‬همبسته‬
‫‪ ‬فرایندهای با نمو مستقل (‪ )independent increments‬و فرایندهای با نمو ناهمبسته ( ‪uncorrelated‬‬
‫‪)increments‬‬
‫‪ ‬فرایند وینر (‪)Wiener Processes‬‬
‫‪ ‬فرایند پواسون (‪)Poisson Processes‬‬
‫‪ ‬فرایندهای نرمال (‪)Normal Processes‬‬
‫‪ ‬فرایندهای ایستان (‪)Stationary Processes‬‬
‫فرایندهای ایستان به مفهوم اکید (‪ Strict-Sense Stationary‬یا ‪)SSS‬‬ ‫‪‬‬
‫فرایندهای ایستان به مفهوم وسیع (‪ Wide-Sense Stationary‬یا ‪)WSS‬‬ ‫‪‬‬
‫فرایندهای ایستان دوری به مفهوم اکید (‪ Strict-Sense Cyclo-Stationary‬یا ‪)SSCS‬‬ ‫‪‬‬
‫فرایندهای ایستان دوری به مفهوم وسیع (‪ Wide-Sense Cyclo-Stationary‬یا ‪)WSCS‬‬ ‫‪‬‬
‫‪ ‬فرایندهای مارکف (‪)Markov Processes‬‬
‫‪ ‬فرایندهای ارگادیک (‪)Ergodic Processes‬‬
‫‪4‬‬
 ‫فرایندهای مستقل‬
‫‪ ‬فرایندهای 𝑡 𝐱 و 𝑡 𝐲 مستقل نامیده می شوند هر گاه برای هر ‪ n‬و ‪ m‬دلخواه و مقادیر‬
‫𝑚𝑡‪ 𝑡1′ ,𝑡2′ , … ,‬متغیرهای تصادفی ‪ 𝐱 𝑡1‬و ‪ 𝐱 𝑡2‬و ‪ ...‬و 𝑛𝑡 𝐱 و‬ ‫‪′‬‬
‫دلخواه 𝑛𝑡‪ 𝑡1 , 𝑡2 , … ,‬و‬
‫𝑚𝑡 𝐲 مستقل باشند‪.‬‬‫‪′‬‬
‫‪ 𝐲 𝑡1′‬و ‪ 𝐲 𝑡2′‬و ‪ ...‬و‬

‫‪5‬‬
 ‫نویز سفید (‪)white noise‬‬
‫‪ ‬فرایند )𝑡(𝛎 را نویز سفید می گوییم اگر برای هر دو زمان متفاوت ‪ 𝑡1‬و ‪ ،𝑡2‬مقادیر ) ‪ 𝛎(𝑡1‬و‬
‫) ‪ 𝛎(𝑡2‬ناهمبسته باشند‪.‬‬
‫‪𝐶 𝑡1 , 𝑡2 = 0‬‬ ‫‪𝑡1 ≠ 𝑡2‬‬
‫‪ ‬اتوکواریانس فرایند نویز سفید بصورت ) ‪ 𝐶 𝑡1 ,𝑡2 = 𝑞(𝑡1 )𝛿(𝑡1 − 𝑡2‬نوشته می شود‬
‫که ‪ 𝑞 𝑡 ≥ 0‬واریانس لحظه ای فرایند مورد نظر است‪.‬‬
‫‪ ‬بطور پیشفرض میانگین یک فرایند نویز سفید را برابر صفر فرض می کنیم‪.‬‬
‫‪ ‬اگر برای هر دو زمان متفاوت ‪ 𝑡1‬و ‪ ،𝑡2‬مقادیر ) ‪ 𝛎(𝑡1‬و ) ‪ 𝛎(𝑡2‬نه تنها ناهمبسته بلکه‬
‫مستقل باشند‪ ،‬فرایند )𝑡(𝛎 را نویز سفید اکید (‪ )strictly white noise‬می گویند‪.‬‬

‫‪6‬‬
 ‫مثال ‪( 9-9‬با کمی تغییر)‬
‫‪ ‬فرض کنید )𝑡(𝛎 نویز سفید با واریانس لحظه ای )𝑡(𝑞 باشد‪ .‬فرایند 𝑡 𝐱 را بصورت زیر تعریف می کنیم‪:‬‬
‫𝑡‬
‫= 𝑡 𝐱‬ ‫𝛼𝑑 𝛼 𝛎‬
‫‪0‬‬
‫واریانس لحظه ای 𝑡 𝐱 را بدست آورید‪.‬‬
‫‪ ‬حل‪:‬‬
‫𝑡‬
‫= 𝑡 𝐱 𝐸‬ ‫𝐸‬
‫میانگین 𝑡 𝐱 برابر است با ‪𝛎 𝛼 𝑑𝛼 = 0‬‬
‫‪0‬‬
‫توان لحظه ای و واریانس لحظه ای فرایند تصادفی 𝑡 𝐱 به این صورت بدست می آید‪:‬‬
‫𝑡‬ ‫𝑡‬ ‫𝑡‬ ‫𝑡‬
‫𝑡 ‪𝜎 2 = 𝐸 𝐱2‬‬ ‫𝐸=‬ ‫𝛼𝑑 𝛼 𝛎‬ ‫𝐸 = 𝛽𝑑 𝛽 𝛎‬ ‫𝛽𝑑𝛼𝑑 𝛽 𝛎 𝛼 𝛎‬
‫𝑡‬ ‫𝑡‬ ‫‪0‬‬ ‫𝑡 ‪𝑡0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫𝑡‬
‫=‬ ‫= 𝛽𝑑𝛼𝑑} 𝛽 𝛎 𝛼 𝛎{𝐸‬ ‫= 𝛽𝑑𝛼𝑑 𝛽 ‪𝑞 𝛼 𝛿 𝛼 −‬‬ ‫𝛽𝑑 𝛽 𝑞‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪2‬‬
‫در حالت خاص 𝑞 = 𝑡 𝑞 داریم 𝑡𝑞 = 𝜎‬

‫‪7‬‬
 ‫فرایند ‪-a‬وابسته و فرایند ‪-a‬همبسته‬
‫‪ ‬فرایند ‪-a‬وابسته (‪:)a-dependent‬‬
‫‪ ‬فرایند 𝑡 𝐱 یک فرایند ‪-a‬وابسته نامیده می شود اگر برای هر ‪ 𝑡1‬و ‪ 𝑡2‬با فاصله بیش از ‪( a‬یعنی‬
‫𝑎 > ‪ 𝐱 𝑡1 ،) 𝑡2 − 𝑡1‬و ‪ 𝐱 𝑡2‬نسبت به هم مستقل باشند‪.‬‬
‫‪ ‬فرایند ‪-a‬همبسته (‪:)correlation a-dependent‬‬
‫‪ ‬فرایند 𝑡 𝐱 یک فرایند ‪-a‬همبسته نامیده می شود اگر برای هر ‪ 𝑡1‬و ‪ 𝑡2‬با فاصله بیش از ‪( a‬یعنی‬
‫𝑎 > ‪ 𝐱 𝑡1 ،) 𝑡2 − 𝑡1‬و ‪ 𝐱 𝑡2‬نسبت به هم ناهمبسته باشند یعنی‪𝐶 𝑡1 ,𝑡2 = 0 :‬‬

‫‪8‬‬
 ‫فرایندهای با نمو ناهمبسته و فرایندهای با نمو‬
‫مستقل‬
‫‪ ‬فرایندهای با نمو ناهمبسته (‪ )uncorrelated increments‬و فرایندهای با نمو مستقل‬
‫(‪:)independent increments‬‬
‫‪ ‬اگر برای هر⋯ < ‪ ،𝑡0 < 𝑡1 < 𝑡2 < 𝑡3‬نموهای ‪ 𝐱 𝑡1 − 𝐱 𝑡0‬و ‪ 𝐱 𝑡2 − 𝐱 𝑡1‬و ‪𝐱 𝑡3‬‬
‫‪ − 𝐱 𝑡2‬و ‪ ...‬ناهمبسته (مستقل) باشند‪ ،‬فرایند 𝑡 𝐱 را با نمو ناهمبسته (مستقل) می گویند‪.‬‬
‫‪ ‬فرایند پواسون نمونه ای از فرایندهای با نمو مستقل است‪.‬‬
‫‪ ‬فرایند انتگرال نویز سفید مثال ‪ ،9-9‬نمونه ای از فرایند های با نمو ناهمبسته است‪.‬‬

‫‪9‬‬
 ‫فرایند نرمال‬
‫‪ ‬تعریف‪ :‬فرایند 𝑡 𝐱 را نرمال می گوییم اگر برای هر ‪ n‬و 𝑛𝑡‪ ، 𝑡1 , 𝑡2 , … ,‬متغیرهای تصادفی‬
‫‪ 𝐱 𝑡1‬و ‪ 𝐱 𝑡2‬و ‪ ...‬و 𝑛𝑡 𝐱 توامان نرمال باشند‪.‬‬
‫‪ ‬نکته‪ :‬آمارگان یک فرایند نرمال بطور کامل توسط میانگین و اتوکواریانس آن مشخص می‬
‫شود‪.‬‬
‫𝑡‪𝑁 𝜂 𝑡 , 𝐶 𝑡,‬‬ ‫‪ ‬تابع چگالی مرتبه اول‪:‬‬
‫; ‪𝑁(𝜂 𝑡1 ,𝜂 𝑡2‬‬ ‫‪ ‬تابع چگالی مرتبه دوم‪𝐶 𝑡1 ,𝑡1 , 𝐶 𝑡2 ,𝑡2 ; 𝑟 𝑡1 ,𝑡2 ) :‬‬
‫‪1‬‬
‫𝑗{𝑝𝑥𝑒‬ ‫𝜂𝑖‬ ‫‪𝑡𝑖 𝜔𝑖 − 2‬‬ ‫} 𝑘𝜔 𝑖𝜔) 𝑘𝑡‪𝑖,𝑘 𝐶(𝑡𝑖 ,‬‬ ‫‪ ‬تابع مشخصه مرتبه ‪n‬ام‪:‬‬

‫‪10‬‬
‫‪11‬‬
‫)𝑥(𝐺 ‪𝑄 𝑥 = 1 −‬‬
‫مثال ‪9-10‬‬
‫پایان این جلسه‬

‫‪12‬‬