Пусть
(2.58)
где x[n] - нормальный дискретный «белый шум».
Тогда спектральная плотность процесса (2.58) на основе (2.51) имеет вид:
(2.59)
Корреляционная функция процесса (2.58) определяется зависимостью (2.47).
Считая известными значения корреляционной функции Кп(n) в достаточно большом диапазоне –р £ n £ p, можно найти с достаточной точностью ее преобразование Фурье - спектральную плотность Sп(w), а затем разлагая корень из нее в ряд Фурье, найти коэффициенты сk. Это дает возможность моделировать сам процесс с помощью соотношения:
(2.60)
Для моделирования начального значения нужно иметь 2р+1 нормальных случайных величин N(0,1), а для последующих - еще одно дополнительное случайное число.
Количество слагаемых в зависимости (2.60) зависит от требуемой точности и характеристик процесса и, как правило, не превосходит 5...10.
Нетрудно показать, что для СНСП, имеющего корреляционную функцию (2.39) и спектральную плотность, полученную в результате преобразования Фурье:
(2.61)
коэффициенты определяются зависимостью:
|
|
. (2.62)
Для моделирования СНСП по рассмотренным алгоритмам необходимо достаточно корректно определить шаг дискретизации (Dt). Для этого необходимо знать:
1. Интервал времени моделирования случайного процесса Т в секундах.
2. Интервал частот, в которых задана спектральная плотность - [-В; В] в герцах (ширину частотного спектра).
Тогда необходимое число равноотстоящих выборочных значений последовательности без существенной потери информации определяется зависимостью:
n³ 2BT, (2.63)
а интервал дискретизации:
Dt = Т/n. (2.64)
Кроме того минимальный интервал времени моделирования и ошибка измерения основных характеристик случайного процесса (МОЖ, корреляционной функции, спектральной плотности) связаны равенством:
Тmin= (Be2)-1, (2.65)
где e - погрешность измерения характеристик процесса.
Случайный процесс, протекающий в системе, называется марковским, если для любого момента времени t0 вероятностные характеристики процесса в будущем зависят только от его состояния в данный момент времени и не зависят от того, когда и как система пришла в это состояние.
Марковские случайные процессы наибольшее применение находят при исследовании систем массового обслуживания, на которых поступает простейший поток заявок, т.е. стационарный, ординарный и не имеющий последействия. При этом хорошо известно, что интервал времени между соседними заявками имеет показательное распределение.
Поэтому моделирование марковского случайного процесса сводится к моделированию моментов времени ti, характеризующих временную последовательность поступления заявок, т.е. к моделированию случайных величин, имеющих показательное распределение.