6_СлучПроц (Алексахин С.В., Балдин А.В., Николаев А.Б., Строганов В.Ю. - Прикладной статистический анализ), страница 3
Описание файла
Файл "6_СлучПроц" внутри архива находится в папке "Алексахин С.В., Балдин А.В., Николаев А.Б., Строганов В.Ю. - Прикладной статистический анализ". Документ из архива "Алексахин С.В., Балдин А.В., Николаев А.Б., Строганов В.Ю. - Прикладной статистический анализ", который расположен в категории "". Всё это находится в предмете "математический анализ" из 8 семестр, которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "книги и методические указания", в предмете "высшая математика" в общих файлах.
Онлайн просмотр документа "6_СлучПроц"
Текст 3 страницы из документа "6_СлучПроц"
Рис. | 6.5. |
Из графика видно, что характер автокорреляции совершенно иной. Имеется очень сильная зависимость на протяжении полугода. Это говорит о направленном поддержании технической готовности после проведений профилактических работ.
Исходя из определения кроссковариационной функции (R(n)=Mn+kk) в качестве оценки кроссковариационной функции по результатам N наблюдений x1,…,xN берут величину . Кросскорреляционная функция является номированной кроссковариационной, также как и автокорреляционная.
Если автокорреляция определяет внутреннюю связность процесса в разнесенные моменты времени, кросскорреляционная функция определяет внешнюю связность, т.е. как один процесс влияет на другой через определенные временные интервалы.
Statistica. Построим кросскорреляционную функцию (рис. __) фактических объемов перевозок для колонн 151 и 155.
Из графика видно, что существует значительная положительная корреляция (0.87) со сдвигом на 4-5 месяцев, хотя в одном и том же месяце корреляции не наблюдается. Это можно интерпретировать как эффект передачи объемов перевозок. Увеличение объема у 151 колонны влечет последующее увеличение объема через 4-5 месяцев. В результате эти колонны можно рассматривать как партнерские.
Положительная кросскорреляция
Рис. | 6.6. |
На рис.__ приведена кросскорреляционная функция объемов перевозок между 151 и 156 колоннами.
Отрицательная кросскорреляция
Рис. | 6.7. |
В данном случае наблюдается совершенно противоположная картина. Хотя в один месяц корреляция практически отсутствует, но спустя 4-5 месяцев она становится значительной, но отрицательной. Увеличение объемов одной колонны можно обосновать за счет уменьшения объемов другой. Эти колонны можно рассматривать как противодействующие и работающие с одним контингентом заказчиков. А отрицательная корреляция определяет меру конкурентной борьбы за заказы.
8 Спектральное представление
Спектральное представление, как отмечалось выше, очень удобно для представления случайного процесса. С другой стороны, решение некоторых задач, связанных с преобразованием случайных процессов, также носит более наглядный характер с использованием спектрального представления.
9 Спектральное представление ковариационной функции.
Выше отмечалась полезность представления случайного процесса в виде гармоник. Аналогичное представление может быть получено для ковариационной функции случайной последовательности.
Почти периодическая последовательностью называется последовательность вида:
где z1, ... , zN - ортогональные случайные величины (Mz1zN=0, ij ) с нулевыми средними Mzi=0 и M|zi|2=2>0; -, k=1,...,N, ij ij. Данная последовательность является стационарной и имеет ковариационную функцию вида .
Предположим, что и ряд сходится. Тогда ряд для ковариационной функции будет сходится в среднем квадратическом. Введем функцию . Тогда ковариационная функция может быть записана в виде интеграла Лебега-Стильтьеса
Стационарные последовательности образованы как суммы "гармоник" с "частотой" k и случайными амплитудами zk интенсивности k2=M|zk|2
Таким образом, знание функции F() дает исчерпывающую информацию о структуре "спектра" последовательности , т.е. о величине интенсивностей, с которыми те или иные частоты входят в представление последовательности. Знание функции F() полностью определяет также и структуру ковариационной функции R(n). С точностью до постоянного множителя (невырожденная) функция F() является, очевидно, функцией распределения, причем в рассматриваемом примере эта функция кусочно-постоянна.
Ковариационная функция любой стационарной в широком смысле последовательности может быть представлена в виде:
Белый шум. Пусть ={n} - последовательность ортонормированных случайных величин, Mn=0, Mnk=nk, где nk - символ Кронекера. Такая последовательность является стационарной и
Такая ковариационная функция может быть представлена в виде интеграла:
Statistica. Построим оценку ковариационной функции белого шума. выполнив пункт ‘Autocorrelation”, указав в качестве исследуемой переменной, сгенерированную модельную последовательность независимых случайных величин. На рис.8. представлен график полученной оценки ковариационной функции.
Автокорреляция "Белого шума".
Рис. | 6.8. |
Из рисунка видно, что автокорреляция практически равна нулю. Отклонение от нуля появляется за счет статистической погрешности и ограниченности длины выборки.
Последовательность скользящего среднего (двусторонняя). Отправляясь от "белого шума" образуем новую последовательность
где ak - комплексные числа, такие, что .
В силу равенства Парсеваля справедливо тождество
Поэтому {}n является стационарной последовательностью образованной с помощью двустороннего скользящего среднего из последовательности n.
Одностороннее скользящее среднее. Эта последовательность является частным случаем последовательности двустороннего скользящего среднего, кода ak=0 k<0, т.е. . В данном случае последовательность n будет также стационарной.
Скользящего среднего порядка p. Эта последовательность является частным случаем последовательности одностороннего скользящего среднего. Лишь конечное число p значений ak отлично от нуля, т.е.
n=a0n+a1n-1+…+apn-p.
Для скользящего среднего порядка p ковариационная функция имеет вид:
Спектральная плотность определяется выражением
где P(z)=a0+a1z+…+apzp.
Теорема. (Герглотц). Пусть R(n) - ковариационная функция стационарной (в широком смысле) случайной последовательности с нулевым средним. Тогда на отрезке [-,] с алгеброй B[-,] найдется такая конечная мера F=F(B), что n .
Общее характеристическое свойство ковариационных функций в случае стационарных процессов сводится к соотношению:
Теорема (Бохнер). Функция r(t) неотрицательно определена тогда и только тогда, когда она может быть представлена в виде
где F() - вещественная, неубывающая и ограниченная функция.
Это представление можно рассматривать как спектральное представление функции r(t).
Неубывающая функция F() называется спектральной функцией процесса (t). Эта функция определена с точностью до постоянного слагаемого, поэтому всегда можно положить, что F(-)=0, F(+)=r(0).
Если F() абсолютно непрерывна, то производная f()=F’() называется спектральной плотностью процесса (t).
Теорема. Для любого стационарного процесса (t) существует такой процесс с ортогональными приращениями (), что (t) для каждого фиксированного t допускает спектральное представление где стохастический интеграл понимается как интеграл в среднем квадратическом. Процесс () определен с точностью до аддитивной случайной величины. Если потребовать дополнительно, чтобы (-)=0 , то будут выполняться соотношения:
Определение. Спектральным моментом k-го порядка называется величина. . Моменты могут быть как конечными, так и бесконечными.
Утверждение. Момент 2k конечен тогда и только тогда, когда r(t) имеет производную порядка 2k в точке t=0.
10 Линейные операции над стационарными процессами
Пусть (t) стационарный процесс с нулевым средним, представленный в виде:
Операция L, переводящая процесс (t) в некоторый новый случайный процесс является простейшим примером линейной операции над (t).
Используя спектральное представление (t), получаем
Можно отметить, что процесс (t) также стационарный и ковариационная функция процесса (t) равна
Если (t) имеет спектральную плотность f(), то спектральная плотность процесса (t) будет |g()|2f(). Таким образом, если процесс (t) строится из элементарных гармонических колебаний eitd(), то для процесса (t) соответствующие гармонические колебания примут вид g()eitd(). Функция g() называется частотной характеристикой линейной операции.