Лит.: Ермаков С. М., Метод Монте-Карло и смежные вопросы, М., 1971; Соболь И. М., Численные методы Монте-Карло, М., 1973.
С. М. Ермаков.
Случа'йный проце'сс (вероятностный, или стохастический), процесс (т. е. изменение во времени состояния некоторой системы), течение которого может быть различным в зависимости от случая и для которого определена вероятность того или иного его течения. Типичным примером С. п. может служить броуновское движение ; другими практически важными примерами являются турбулентные течения жидкостей и газов, протекание тока в электрической цепи при наличии неупорядоченных флуктуаций напряжения и силы тока (шумов) и распространение радиоволн при наличии случайных замираний (федингов) радиосигналов, создаваемых метеорологическими или иными помехами. К числу С. п. могут быть причислены и многие производственные процессы, сопровождающиеся случайными флуктуациями, а также ряд процессов, встречающихся в геофизике (например, вариации земного магнитного поля), физиологии (например, изменение биоэлектрических потенциалов мозга, регистрируемое на электроэнцефалограмме) и экономике.
Для возможности применения математических методов к изучению С. п. требуется, чтобы мгновенное состояние системы можно было схематически представить в виде точки некоторого фазового пространства (пространства состояний) R', при этом С. п. будет представляться функцией X (t ) времени t со значениями из R. Наиболее изученным и весьма интересным с точки зрения многочисленных приложений является случай, когда точки R задаются одним или несколькими числовыми параметрами (обобщёнными координатами системы). В математических исследованиях под С. п. часто понимают просто числовую функцию X (t ), могущую принимать различные значения в зависимости от случая с заданным распределением вероятностей для различных возможных её значений — одномерный С. п.; если же точки R задаются несколькими числовыми параметрами, то соответствующий С. п. X (t )={X1 (t ), X2 (t ),..., Xk (t )} называется многомерным.
Математическая теория С. п. (а также более общих случайных функций произвольного аргумента) является важной главой вероятностей теории . Первые шаги по созданию теории С. п. относились к ситуациям, когда время t изменялось дискретно, а система могла иметь лишь конечное число разных состояний, т. е. — к схемам последовательности зависимых испытаний (А. А. Марков старший и др.). Развитие теорий С. п., зависящих от непрерывно меняющегося времени, является заслугой сов. математиков Е. Е. Слуцкого , А. Н. Колмогорова и А. Я. Хинчина , американских математиков Н. Винера , В. Феллера и Дж. Дуба, французского математика П. Леей , швед. математика X. Крамера и др. Наиболее детально разработана теория некоторых специальных классов С. п., в первую очередь — марковских процессов и стационарных случайных процессов , а также ряда подклассов и обобщений указанных двух классов С. п. (цепи Маркова, ветвящиеся процессы, процессы с независимыми приращениями, мартингалы, процессы со стационарными приращениями и др.).
Лит.: Марков А. А., Замечательный случай испытаний, связанных в цепь, в его кн.: Исчисление вероятностей, 4 изд., М., 1924; Слуцкий Е. Е., Избранные труды, М., 1960; Колмогоров А. Н., Об аналитических методах в теории вероятностей, «Успехи математических наук», 1938, в. 5, с. 5—41; Хинчин А. Я., Теория корреляции стационарных стохастических процессов, там же, с. 42—51; Винер Н., Нелинейные задачи в теории случайных процессов, пер. с англ., М., 1961; Дуб Дж., Вероятностные процессы, пер. с англ., М., 1956; Леви П., Стохастические процессы и броуновское движение, пер. с франц., М., 1972; Чандрасекар С., Стохастические проблемы в физике и астрономии, пер. с англ., М., 1947; Розанов Ю. А., Случайные процессы, М., 1971; Гихман И. И., Скороход А. В., Теория случайных процессов, т. 1—2, М., 1971—73.
А. М. Яглом.
Случайных процессов прогнозирование
Случа'йных проце'ссов прогнози'рование (экстраполирование), предсказание значения случайного процесса в некоторый будущий момент времени по наблюдённым значениям этого процесса (или, более общо, какого-либо статистически с ним связанного процесса — например суммы прогнозируемого процесса с искажающими наблюдения случайными помехами, т. е. с «шумом») в прошлом и настоящем. Практически во всех представляющих интерес ситуациях предсказываемое значение процесса X (t ) в момент t = t1 не может быть точно определено по имеющимся данным наблюдений и можно лишь добиваться, чтобы случайная ошибка прогноза D = X (t1 )- X1 (t1 ) [где X1 (t1 ) — предсказанное значение X (t1 )] в среднем была бы по возможности наименьшей. В теории С. п. п. оптимальным (наилучшим) обычно считается прогноз, для которого минимально математическое ожидание квадрата ошибки D; такой оптимальный прогноз совпадает с условным математическим ожиданием случайной величины X (t1 ) при условии, что наблюдаемые величины, по которым строится прогноз, принимают фиксированные (известные из наблюдений) значения. Большое место в теории С. п. п. занимает теория оптимального линейного С. п. п., посвященная методам нахождения линейной функции от данных наблюдений такой, что для неё средний квадрат её отклонения от X (t1 ) меньше, чем для всех других линейных функций; в ряде практически важных случаев такое оптимальное линейное С. п. п. совпадает с общим оптимальным С. п. п.
Общая теория оптимального линейного С. п. п. для стационарных случайных процессов была разработана А. Н. Колмогоровым и Н. Винером . Большое развитие получила также теория оптимального (и линейного, и общего нелинейного) прогнозирования процессов, являющихся компонентами марковских случайных процессов.
Лит.: Колмогорова. Н., Интерполирование и экстраполирование стационарных случайных последовательностей, «Изв. АН СССР. Сер. математическая», 1941, т. 5, №1; Дуб Дж., Вероятностные процессы, пер. с англ., М., 1956; Розанов Ю. А., Стационарные случайные процессы, М., 1963; Липцер Р. Ш., Ширяев А. Н., Статистика случайных процессов. Нелинейная фильтрация и смежные вопросы, М., 1974; Бокс Дж., Дженкинс Г., Анализ временных рядов. Прогноз и управление, пер. с англ., в. 1—2, М., 1974; Wiener N., Extrapolation, interpolation and smoothing of stationary time series, N. Y., 1949.
А. М. Яглом.
Случа'йных чи'сел да'тчик, устройство для выработки случайных чисел, равномерно распределённых в заданном диапазоне чисел. Применяется для имитации реальных условий функционирования систем автоматического управления, для решения задач методом статистических испытаний (Монте-Карло методом ), для моделирования случайных изменений параметров производства в автоматизированных системах управления и т. д. Кроме непосредственного использования в статистических моделях, равномерно распределённые случайные числа, вырабатываемые С. ч. д., являются основой для формирования числовых последовательностей с заданным законом распределения.
Основной блок С. ч. д. — генератор случайных равновероятных цифр (ГРЦ), наиболее часто двоичных, из которых затем формируются необходимые многоразрядные сочетания (числа). В ГРЦ, в качестве первичного источника случайных сигналов используют собственные шумы электровакуумных, газоразрядных, полупроводниковых приборов и специальных резисторов, a-частицы, b-частицы и g-лучи радиоактивных излучений, флуктуации фазы и амплитуды гармонических колебаний и т. п. В состав ГРЦ входят соответствующие приборы, формирующие исходные сигналы и называются источниками первичных случайных процессов, а также усилитель-формирователь, преобразующий исходный случайный процесс к виду, удобному для цифровой интерпретации, цифровой преобразователь сформированных случайных сигналов в дискретные равновероятные состояния какого-либо электронного устройства (например, триггера ), каждому из которых ставится в соответствие определённая цифра, стабилизатор вероятности, обеспечивающий устойчивость вероятностных характеристик генерируемой последовательности цифр. Один из основных способов стабилизации предполагает совмещение прямых и инверсных представлений генерируемых цифр. При этом стабилизированная последовательность S1 , S2 ,..., Si ,... формируется из основной x1 , x2 ,..., xi , ... и управляющей y1 , y2 ,..., yi , ... по правилу:
