Статистические характеристики случайных сигналов. Вероятностные характеристики измерительных сигналов

1. Особенности исследования САУ при случайных воздействиях

При детерминированных заранее заданных воздействиях состояние САУ в любой момент t определяется начальным состоянием системы в некоторый момент времени t0 и приложенными к системе воздействиями. Эта задача определяется решением соответствующего дифференциального уравнения

anx (n)+an-1x(n-1)+…+a0x=bmg(m)+bm-1g(m-1)+…+b0g. (26.1)

Если ai, bj - постоянные коэффициенты, а g - определенная функция времени, то решение этого уравнения для заданных начальных условий будет единственным и определенным для всего интервала времени.

Однако в реальных условиях часто внешние воздействия изменяются случайно, т.е. заранее не предвиденным образом. Например:

суточные изменения нагрузки энергосистемы;

порывы ветра, действующие на самолет;

удары волны в гидродинамических системах;

сигналы радиолокационных установок;

шумы в радиотехнических устройствах и т.д.

Случайные воздействия могут прикладываться к системе извне (внешние воздействия) или возникать внутри некоторых ее элементов (внутренние шумы).

Очевидно, если в уравнении (26.1) g - входное воздействие заранее не определено, т.е. является случайной функцией, или параметры системы ai, bj изменяются случайным образом, то получить решение этого уравнения в детерминированном (т.е. определенном) виде невозможно.

Конечно, можно задаться некоторыми максимальными значениями этих параметров и решить поставленную задачу (расчет системы на заданную точность при максимальных значениях случайных воздействий). Но поскольку максимальные значения случайной величины наблюдаются редко, то в этом случае к системе будут предъявлены заведомо более жесткие требования, чем это вызывается реальностью.

Правда, такой подход иногда является единственно возможным(высокоточное производство, иначе – брак). Поэтому в большинстве случаев расчет системы при случайных воздействиях ведут не по максимальному, а по наиболее вероятному значению случайных величин, т.е. по такому значению, которое встречается наиболее часто.

В этом случае получают наиболее рациональное техническое решение (меньший коэффициент усиления системы, меньшие габариты отдельных устройств, меньшее потребление энергии), хотя для маловероятных значений задающего воздействия будет иметь место ухудшение работы системы.

Расчет САУ при случайных воздействиях с помощью специальных статистических методов, которые оперируют статистическими характеристиками случайных воздействий, являющихся не случайными, а детерминированными величинами.

САУ, спроектированная на основе статистических методов, будет обеспечивать соответствующие требования не для одного, детерминированного воздействия, а для целой совокупности этих воздействий, заданных с помощью статистических характеристик (если ошибка САУ носит случайный характер, то точное ее значение в какой-либо момент времени при статистическом расчете получить невозможно).

Статистические методы расчета САУ основаны на расчетах и работах советских ученых: Хинчина А.Я., Колмогорова А.Н., Гнеденко В.В., Солодовникова В.В., Пугачева В.С., Казакова И.Е. и др., а также зарубежных ученых – Н. Винера, Л. Заде, Дж. Рагоцине, Калмана, Бьюси и др.

2. Краткие сведения о случайных процессах.

Случайной функцией называется функция, которая при каждом значении независимой переменной является случайной величиной. Слу­чайные функции, для которых независимой переменной является время t,называют случайными процессами. Так как в САУ процессы протекают во времени, то в дальнейшем будем рассматривать только случайные процессы.

Случайный процесс x(t) не есть определенная кривая, он явля­ется множеством определенных кривых x i (t) (i=1,2,…,n), по­лучаемых в результате отдельных опытов (рис.26.1). Каждую кривую этого множества называют реализацией случайного процесса, и сказать, по какой из реализаций пойдет процесс, невозможно.

Рис. 26.1. Графики реализаций и математического ожидания случайного процесса

Для случайного процесса, как и для случайной величины, для определения статистических свойств вводят понятие функции распре­деления (интегральный закон распределения) F(x, t) и плотнос­ти вероятности (дифференциальный закон распределения) w(x, t). Данные характеристики зависят от фиксированного момента времени наблюдения t и от некоторого выбранного уровня x, то есть явля­ются функциями двух переменных - x, и t.

Функции F(x, t) и w(x, t) являются простейшими статис­тическими характеристиками случайного процесса. Они характеризуют случайный процесс изолированно в отдельных сечениях, не раскрывая связи между сечениями случайного процесса.

К основным характеристикам случайных процессов, наиболее ши­роко используемых при исследовании систем управления, относят: математическое ожидание, дисперсию, среднее значение квадрата слу­чайного процесса, корреляционную функцию, спектральную плотность и другие.

А. Математическое ожидание m x (t) является средним значением случайного процесса x(t) по множеству и определяется

(26.2)

где w 1 (x, t) - одномерная плотность вероятности случайного про­цесса x(t).

Математическое ожидание случайного процесса x(t) представляет собой некоторую неслучайную функцию времени m x (t), около которой группируются и относительно которой колеблются все реализации дан­ного случайного процесса (рис. 26.1).

Средним значением квадрата случайного процесса называют вели­чину

(26.3)

Часто вводят в рассмотрение центрированный случайный процесс , под которым понимают отклонение случайного процесса X(t) от его среднего значения m x (t), или

(26.4)

Б. Дисперсия. Чтобы учесть степень разбросанности реализаций случайного про­цесса относительно его среднего значения, вводят понятие дисперсии случайного процесса, которая равна математическому ожиданию квад­рата центрированного случайного процесса

(26.5)

Дисперсия случайного процесса является неслучайной функцией времени D x (t) и характеризует разброс случайного процесса Х(t) от­носительно его математического ожидания m x (t).

На практике широко применяются статистические характеристики, имеющие ту же размерность, что и случайная величина, к которым от­носятся:

Среднее квадратическое значение случайного процесса

равное значению квадратного корня из среднего значения квадрата случайного процесса;

Среднее квадратичное отклонение случайного процесса

(26.7)

равное значению квадратного корня из дисперсии случайного процесса.

Математическое ожидание и дисперсия являются важными характе­ристиками случайного процесса, но не дают достаточного представления о внутренних связях случайного процесса, которые оказывают су­щественное влияние на характер его реализаций в пределах заданного интервала времени.

Одной из статистических характеристик, отражающих особенности внутренних связей случайного процесса, является корреляционная функция.

В. Корреляционной функцией случайного процесса Х(t) называют неслучайную функцию двух аргументов R x (t 1 ,t 2), которая для каж­дой пары произвольно выбранных значений моментов времени t 1 и t 2 равна математическому ожиданию произведения двух случайных величин -Х(t 1) и Х(t 2), соответствующих сечений случайного процесса:

где w 1 (x 1 , t 1 , x 2 , t 2) двумерная плотность вероятности.

Случайные процессы в зависимости от того, как изменяются их статистические характеристики с течением времени, делят на стационарные и нестационарные. Различают стационарность в узком и широком смысле .

Стационарным в узком смысле называют случайный процесс Х(t), если его n-мерные функции распределения и плотность вероятнос­ти при любом n не зависят от положения отсчета времени t.

Стационарным в широком смысле называют случайный процесс X(t), математическое ожидание которого постоянно:

М[Х(t)]= m x =const, (26.9)

а корреляционная функция зависит только от одной переменной - раз­ности аргументов t=t 2 -t 1:

В теории случайных процессов пользуются двумя понятиями сред­них значений: среднее значение по множеству и среднее значение по времени.

Среднее значение по множеству определяется на основе наблюде­ния над множеством реализаций случайного процесса в один и тот же момент времени, т.е.

(26.11)

Среднее значение по времени определяется на основе наблюде­ний за отдельной реализацией случайного x(t) на протяжении доста­точно длительного времени Т, т.е.

(26.12)

Из эргодической теоремы вытекает, что для так называемых эргодических стационарных случайных процессов среднее значение по множеству совпадает со средним значением по времени, т.е.

(26.13)

В соответствии с эргодической теоремой для стационарного слу­чайного процесса с математическим ожиданием m 0 x =0 корреляционную функцию можно определить

где x(t) - любая реализация случайного процесса.

Статистические свойства связи двух случайных процессов Х(t) и G(t) можно характеризовать взаимной корреляционной функцией R xg (t 1 ,t 2), которая для каждой пары произвольно выбранных значении аргументов t 1 и t 2 равна

Согласно эргодической теореме вместо (26.15) можно записать

(26.16)

где x(t) и g(t)- любые реализации стационарных случайных процес­сов Х(t) и G(t).

Если случайные процессы Х(t) и G(t) статистически не связаны друг с другом и имеют равные нулю средние значения, то их взаимная корреляционная функция для всех t равна нулю.

Приведем некоторые свойства корреляционных функций.

1. Начальное значение корреляционной функции равно среднему

значению квадрата случайного процесса:

2. Значение корреляционной функции при любом t не может превышать ее начального значения, то есть

3. Корреляционная функция есть четная функция от t, т.е.

(26.18)

Другой статистической характеристикой, отражающей внутреннюю структуру стационарного случайного процесса Х(t), является спект­ральная плотность S x (w), которая характеризует распределение энергии случайного сигнала по спектру частот.

Г. Спектральная плотность S x (w) случайного процесса Х(t) опре­деляется как преобразование Фурье корреляционной функции R(t),

(26.19)

Следовательно,

так как спектральная плотность S x (a ) является действительной и четной функцией частоты w.

Соотношения (26.19) и (26.20) позволяют установить некоторые зависимости между структурой случайного процесса Х(t) и видом ха­рактеристик R x (t) и S x (w) (рис.26.2).

Ид приведенных графиков следует, что с увеличением скорости изменения реализации Х(t) корреляционная функция R x (t) сужает­ся (обостряется), а спектральная плотность S x (w) расширяется.

Случайный сигнал описывается случайной функцией времени Х(t). Эту функцию можно рассматривать как бесконечную совокупность функций x i (t), каждая из которых представляет собой одну из возможных реализаций X(t). Графически это можно представить следующим образом (рисунок 1):

Рисунок 1

Полное описание случайных сигналов может быть произведено с помощью системы вероятностных характеристик. Любая из этих характеристик может быть определена либо усреднением по совокупности реализации x i (t), либо усреднением по времени одной бесконечно длинной реализации.

Зависимость или независимость результатов таких усреднений определяет следующие фундаментальные свойства случайных сигналов - стационарность и эргодичность.

Стационарным называется сигнал, вероятностные характеристики которого не зависят от времени.

Эргодическим называется сигнал, вероятностные характеристики которого не зависят от номера реализации.

Для стационарных эргодических сигналов усреднение любой вероятностной характеристики по множеству реализаций эквивалентно усреднению по времени одной теоретически бесконечно длинной реализации.

Для практических целей наиболее важными являются следующие вероятностные характеристики стационарных эргодических сигналов, имеющих длительность реализации Т:

Среднее значение (математическое ожидание). Оно характеризует постоянную составляющую сигнала

Средняя мощность. Она характеризует средний уровень сигнала

Дисперсия, характеризующая среднюю мощность переменной составляющей сигнала:

Среднеквадратическое отклонение (СКО)

Функция распределения, которая определяется как интегральная вероятность того, что значение xi(tj) в j-й момент времени будут ниже некоторых значений X:

Для заданных стационарных эргодичных сигналов F x характеризуется относительным временем пребывания реализации ниже уровня Х (ф i -, i -й интервал пребывания, n - количество интервалов, рисунок 2)

Рисунок 2

Одномерная плотность вероятности, называемая дифференциальным законом распределения:

где - расстояние между соседними уровнями X(t), называемое дифференциальным коридором;

I -й интервал пребывания реализации в пределах (см. рисунок 2).

Корреляционная функция. Она характеризует стохастическую (случайную) связь между двумя мгновенными значениями случайного сигнала, разделенного заданным интервалом времени ф

Взаимная корреляционная функция. Она характеризует стохастическую связь мгновенными значениями случайных сигналов x(t) и y(t), разделенными интервалом времени ф

Из выражений (1)-(8) видно, что все вероятностные характеристики представляют собой неслучайные числа или функции и определяется по одной реализации бесконечной длительности. Практически же длительность Т, называемая продолжительностью анализа, всегда ограничена, поэтому на практике мы можем определить не сами характеристики, а только их оценки. Эти оценки, полученные экспериментальным путем, называются статическими характеристиками. А раз оценка, значит приближение, которое характеризуется погрешностями, называемыми статистическими погрешностями.

вероятностный эргодический случайный дискретный

БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
ИНФОРМАТИКИ ИРАДИОЭЛЕКТРОНИКИ

Кафедра метрологии и стандартизации

РЕФЕРАТ

На тему:

« Измерение характеристик случайных сигналов »

МИНСК, 2008

Статистические измерения – это методы и средства измерения параметров и характеристик случайных сигналов. Они базируются на общих принципах измерений параметров сигналов, но имеют свою специфику и особенности, вытекающие из теории случайных процессов.

Вероятностные характеристики случайных сигналов

Случайным называется сигнал, мгновенные значения которого изменяются во времени случайным образом. Он описывается случайной функцией времени Х(t). Эту функцию можно рассматривать как бесконечную совокупность функций x i (t), каждая из которых представляет собой одну из возможных реализаций X(t). Графически это можно представить следующим образом (рисунок 1):

Полное описание случайных сигналов может быть произведено с помощью системы вероятностных характеристик. Любая из этих характеристик может быть определена либо усреднением по совокупности реализации x i (t), либо усреднением по времени одной бесконечно длинной реализации.

Зависимость или независимость результатов таких усреднений определяет следующие фундаментальные свойства случайных сигналов – стационарность и эргодичность.

Стационарным называется сигнал, вероятностные характеристики которого не зависят от времени.

Эргодическим называется сигнал, вероятностные характеристики которого не зависят от номера реализации.

Для стационарных эргодических сигналов усреднение любой вероятностной характеристики по множеству реализаций эквивалентно усреднению по времени одной теоретически бесконечно длинной реализации.

Для практических целей наиболее важными являются следующие вероятностные характеристики стационарных эргодических сигналов, имеющих длительность реализации Т:

Среднее значение (математическое ожидание). Оно характеризует постоянную составляющую сигнала

Средняя мощность. Она характеризует средний уровень сигнала

Дисперсия, характеризующая среднюю мощность переменной составляющей сигнала:

Среднеквадратическое отклонение (СКО)

Функция распределения, которая определяется как интегральная вероятность того, что значение xi(tj) в j-й момент времени будут ниже некоторых значений X:

Для заданных стационарных эргодичных сигналов F x характеризуется относительным временем пребывания реализации ниже уровня Х (τ i –, i –й интервал пребывания, n – количество интервалов, рисунок 2)

Одномерная плотность вероятности, называемая дифференциальным законом распределения:

Корреляционная функция. Она характеризует стохастическую (случайную) связь между двумя мгновенными значениями случайного сигнала, разделенного заданным интервалом времени τ

Взаимная корреляционная функция. Она характеризует стохастическую связь мгновенными значениями случайных сигналов x(t) и y(t), разделенными интервалом времени τ

Из выражений (1)-(8) видно, что все вероятностные характеристики представляют собой неслучайные числа или функции и определяется по одной реализации бесконечной длительности. Практически же длительность Т, называемая продолжительностью анализа, всегда ограничена, поэтому на практике мы можем определить не сами характеристики, а только их оценки. Эти оценки, полученные экспериментальным путем, называются статическими характеристиками. А раз оценка, значит приближение, которое характеризуется погрешностями, называемыми статистическими погрешностями.

Измерение среднего значения средней мощности и дисперсии

Согласно формуле (1) измерение m x сводится к интегрированию случайного сигнала за время Т. Интегрирование можно выполнить с помощью анало-

говых или цифровыхинтегрирующих устройств, применяемых в вольтметрах.

При практическом выборе времени интегрирования Т надо минимизировать статистические погрешности. Это условие соблюдается при Т

Измерение P x характерно тем, что согласно формуле (2) усредняется квадрат сигнала, поэтому измеритель P x содержит в своем составе устройство с квадратичной характеристикой. Задача измерения P x решается с помощью вольтметра среднеквадратичного значения, имеющего открытый вход. Показаниятакоговольтметра равно

Для измерения D x тоже может быть использован вольтметр среднеквадратичного значения, только в соответствии с формулой (3) он должен иметь закрытый вход. Показания такого вольтметра согласно (4) будут соответствовать значениям σ х.

Анализ распределения вероятностей

Метод измерения по относительному времени пребывания

При измерении этим методом удобнее измерять не значение τ i , фигурирующее в формуле (7), а значение τ i ’ , характеризующее время пребывания функции х(t) выше уровня х, поэтому при экспериментальном анализе определяется функция

Для определения

∆t¢ i =∆t 1i +∆t 2i = τ¢ i – τ² i . (10)

Анализаторы, реализующие данный метод, могут быть как аналоговыми, так и цифровыми. Структурная схема аналогового анализатора предоставлена на рисунке 3.

С помощью ВУ обеспечивается уровень сигнала, необходимый для нормальной работы других функциональных узлов измерителя. Компараторы К1 и К2 выполняют функции амплитудных селекторов и имеют уровни срабатывания х и х+∆х соответственно. Эти уровни задаются регулятором уровня (РУ) и могут изменяться при одновременном обеспечении постоянства ширины дифференциального коридора ∆х. Таким образом сигналы на выходе К1 и К2 имеют вид импульсов U1 и U2 (рисунок 3), длительности которых соответственно равны τ i ’ и τ i ’’ . Формирующие устройства ФУ1 и ФУ2 стандартизируют эти импульсы по форме и амплитуде. Напряжения U1 и U2 позволяют измерить

При измерении

Измерение корреляционных функций

Метод дискретных выборок

Случайные сигналы

Тест № 2

Вопросы для самопроверки

1. Объясните причину возникновения искажений в передаче сообщений, наблюдаемых при перемодуляции.

2. Чем определяется распределение мощности в спектре АМ сигнала?

3. Почему непосредственная демодуляция ОБП сигнала приводит к искажению передаваемого сообщения?

4. Укажите сходства и различия между сигналами с частотной и фазовой модуляцией.

5. Как связаны между собой частота модуляции, ее индекс и девиация частоты?

6. Объясните различие между спектрами АМ и ЧМ сигналов.

7. Укажите особенности модуляции цифровых сигналов.

1. Модуляцией называется процесс:

a. Суммирования низкочастотного информационного сигнала и высокочастотного несущего колебания;

b. Изменения одного из параметров высокочастотного колебания под воздействием низкочастотного сигнала, отображающего передаваемое сообщение;

c. Перемножения низкочастотного информационного сигнала и высокочастотного несущего колебания;

d. Выделения модуля комплексного сигнала.

2. Амплитудной модуляцией называется процесс изменения амплитуды:

b. Сигнала при изменении его частоты;

c. Сигнала при его прохождении через линейный четырехполюсник;

d. Высокочастотного несущего колебания по закону передаваемого сообщения.

3. Частотной модуляцией называется процесс изменения частоты:

a. Сигнала при изменении его фазы;

4. Фазовой модуляцией называется процесс изменения фазы:

a. Сигнала при изменении его частоты;

b. Сигнала при изменении его амплитуды;

c. Высокочастотного несущего колебания по закону передаваемого сообщения;

d. Сигнала при его прохождении через нелинейный четырехполюсник.

5. Спектр амплитудно-модулированного сигнала состоит из:

a. Частоты несущего колебания и двух боковых полос;

b. Частоты несущего колебания и одной боковой полосы;

c. Частоты несущего колебания и кратных частот;

d. Только из боковых полос.

Случайный процесс (СП) – совокупность (ансамбль) функций времени, подчиняющийся некоторой общей для них статистической закономерности. Бывают непрерывные, дискретные, квантованные и цифровые СП.

Если взять конкретные значения t 1 , то, усреднив их, можно получить математическое ожидание.

F(x) – интегральный закон распределения. Он показывает вероятность того, что произвольно взятое Х будет меньше х .

Плотность распределения величины показывает, какова наибольшая вероятность попадания в заданный интервал.

На практике наиболее значимыми являются следующие параметры СП.

Математическое ожидание – величина, к которой в среднем стремится СП:

Дисперсия характеризует мощность процесса, разброс случайных значений относительно математического ожидания

Среднеквадратическое отклонение характеризует линейный разброс, а не квадратичный, как дисперсия:

Для дискретных сигналов каждое значение возможно с вероятностью р к, но .

Свойства

1. Если х 1 >х 2 , то F(x 1)>F(x 2 ).

2. F (-¥)=0, F (+¥)=1.

3. Если х ® -¥ (х ® +¥), то f(x )®0.

4. –– площадь плотности вероятности всегда равна 1.

Анализ различных задач радиотехники показывает, что по су­ществу любой сигнал, несущий информацию, может рассматривать­ся как случайный (стохастический). Это обусловливается, с одной стороны, случайными искажениями сигнала при его распростране­нии и наличием разнообразных (внешних и внутренних) помех, а с другой-несовершенством применяемых радиотехнических устройств и систем. Ряд процессов, влияющих на их технический уровень и качество, относится к категории случайных. Эксперимен­тальный анализ таких процессов также связан с измерением харак­теристик соответствующих случайных сигналов.

Изучение свойств и характеристик случайных сигналов базиру­ется, как известно, на теории вероятностей и математической ста­тистике. Потребность в этом привела к развитию методов и средств, составляющих содержание статистических измерений. Они основа­ны на общих принципах измерения параметров сигналов, но имеют свою специфику и ряд принципиальных особенностей, вытекающих из теории случайных процессов. Напомним исходные определения и сведения о характеристиках случайных сигналов и уточним основ­ные задачи техники статистических измерений.

ОБЩИЕ СВЕДЕНИЯ

Случайным называется сигнал, мгновенные значения которого изменяются во времени случайным образом. В связи с этим он описывается случайной функ­цией времени X(t), которую можно рассматривать как бесконечную совокупность (ансамбль) функций x i (t), каждая из которых представляет собой одну из воз­можных реализаций X(t). На рис. 8.1 в качестве примера приведена совокупность реализаций x i (t), где x i (t j)-мгновенное значение сигнала X(t), соответствую­щее значению i -й реализации в j -й момент времени.

Полное описание случайных сигналов может быть произведено с помощью системы вероятностных характеристик. Любая из них определяется либо усред­нением по совокупности реализаций x i (t), либо усреднением по времени для од­ной реализации X(t). В общем случае результаты таких усреднений неодинако­вы, они могут зависеть либо не зависеть от времени или номера реализации. На­личие или отсутствие этой зависимости определяет такие фундаментальные свой­ства сигналов, как стационарность и эргодичность. Стационарным называется сиг­нал, вероятностные характеристики которого не зависят от времени. Соответствен­но вероятностные характеристики эргодических сигналов не зависят от номера реализации.

Классификация случайных сигналов по признакам стационарности и эргодич­ности позволяет выделить следующие их виды: стационарные эргодические, ста­ционарные неэргодические, нестационарные эргодические и нестационарные неэргодические. В рамках курса мы ограничимся рассмотрением методов и средств измерения вероятностных характеристик случайных сигналов первого вида как наиболее простого и типичного. Для таких сигналов усреднение любой вероятностной характеристики по множеству реализаций эквивалентно усреднению по­времени одной теоретически бесконечно длинной реализации. Другими словами все вероятностные характеристики стационарного эргодического сигнала могут быть получены по одной его реализации. Ясно, что проводить измерения с одной реализацией сигнала значительно проще, чем с совокупностью реализаций.

Для практических приложений наиболее важны следующие вероятностные характеристики стационарных эргодических сигналов, имеющих длительность реализации Т (ГОСТ 16465-70):

среднее значение (математическое ожидание), характеризующее, как и

Рис. 8.1. Совокупность реализаций случайного сигнала.

для детерминированных сигналов (см. § 3.1), постоянную составляющую сигнала

(8.1)

средняя мощность, характеризующая энергетический уровень сигнала,

(8.2)

дисперсия, характеризующая среднюю мощность переменной составляющей (флюктуации) сигнала,

или среднее квадратическое отклонение его

функция распределения, определяемая как интегральная вероятность того что значение X i (t j) ниже некоторого заданного уровня х,

(8.5)

т. е. для стационарных эргодических сигналов F x характеризуется относитель­ным временем пребывания значений реализации ниже уровня х ( - i -й интер­вал пребывания; п - количество интервалов);

одномерная плотность вероятности, называемая также дифференциальным законом распределения,

(8.6)

где - расстояние между соседними уровнями X i (t j) и , называемое дифференциальным коридором, а - i -й интервал пребывания реализации в пределах этого коридора;

корреляционная функция, характеризующая стохастическую связь между мгновенными значениями случайного сигнала, разделенными заданным интерва­лом времени ,

или нормированная корреляционная функция

(8.8)

взаимная корреляционная функция, характеризующая стохастическую связь между мгновенными значениями двух случайных сигналов X(t) иY(t), разделен­ными интервалом времени ,

и соответствующая ей нормированная взаимная корреляционная функция

спектральная плотность мощности, определяющая среднюю мощность сиг­нала, приходящуюся на единицу полосы частот. Распределение средней мощно­сти по частоте характеризует энергетический спектр сигнала. Он может быть определен для каждой реализации x i (t) по общим правилам (см. § 7.8). Оказы­вается, что для стационарных случайных сигналов функция спектральной плот­ности мощности связана с корреляционной функцией парой преобразо­ваний Фурье (теорема Винера - Хинчина):

(8.11)

Если мы имеем два стационарных сигнала X(t) иY(t), они могут быть оха­рактеризованы взаимной спектральной плотностью мощности, которая в общем случае является комплексной величиной . Поэтому на практике опреде­ляют функции действительной и мнимой составляющих :

(8.12)

При расчетах по формулам (8.11) и (8.12) можно пользоваться значениями и . Тогда функции спектральной плотности мощности будут норми­рованными.

Как следует из формул (8.1) - (8.12), все вероятностные характеристики, представляющие собой неслучайные числа или функции, определяются по одной реализации X(t) бесконечной длительности. Практически же длительность Т, на­зываемая продолжительностью анализа, всегда ограничена. Поэтому реально всякая экспериментальная характеристика отличается от соответствующей ве­роятностной (теоретической) характеристики и может являться только ее оцен­кой. Оценки, полученные аппаратурным путем, называются статистическими ха­рактеристиками и обозначаются знаком « » (см. § 1.3). В этом смысле измере­ние характеристик случайных сигналов всегда сопровождается статистическими погрешностями. В остальном метрологические характеристики анализаторов ста­тистических характеристик аналогичны характеристикам приборов других под­групп и регламентируются ГОСТ 8.251-77. Анализаторы статистических харак­теристик входят в подгруппу X (см. § 2.1), где они образуют вид Х6.