АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция

Час серії моделювання з використанням випадкових процесів

Читайте также:
  1. Вивчення процесів витікання рідини через отвори.
  2. Вивчення процесів теплопровідності.
  3. Види культурних явищ і процесів
  4. Використання на заняттях розвиваючих завдань і дидактичних ігор з використанням комп’ютерних технологій в умовах відсутності індивідуальних комп’ютерів для кожної дитини
  5. Г) побудові моделей економічних явищ та процесів з метою вибору оптимального варіанту управління підприємством.
  6. Джерела вихідних даних для моделювання
  7. Дослідження психічних процесів, мотивації та їх впливу на політичну поведінку людини. Психоаналіз З. Фрейда.
  8. Економетрична модель та етапи економетричного моделювання
  9. З ВИКОРИСТАННЯМ МУЛЬТИМЕДІЙНИХ ПРЕЗЕНТАЦІЙ
  10. Закони, дію яких потрібно враховувати прирегулюванні соціальних процесів
  11. Залежність рослинного покриву від нафтидогенних процесів та радіаційного фону
  12. Змістовна характеристика процесу проектування робіт в організації (сутність; зміст процесів аналізу робіт і проектування робіт).

Ми вже визначили випадковий процес, особливо стаціонарний випадковий процес.

Тепер ми хочемо, обговорити деякі добре відомі моделі стаціонарних випадкових процесів.

Часовий ряд з сезонної складової або з різних тенденції слід розглядати як реалізацію нестаціонарних випадкових процесів.

Наприклад, існують так звані нестаціонарні ARIMA (p, d, q) процеси, які є узагальненням стаціонарних ARMA (P, Q) процесів.

Кожне моделювання або навіть опис часових рядів починається з ліквідації та передачі нестаціонарних випадків зі стаціонарними.

Деякі підходи згладжування які допомагають лікувати напрям m (t) в часі ряду Z(t) = m(t) + ε (t), вже були роз'яснені.

Тепер ми обговоримо основну ідею для аналізу залишку, ε (t) які являють собою довільну або випадкову частина часових рядів.

Ми припускаємо, що ці залишки належать кінцевій реалізації стаціонарного випадкового процесу Z0(t) з дискретним часом t∈ T.

Для того щоб оцінити характеристики стаціонарного процесу, заснованого на одній реалізації залишків припущення про так звану періодичності процесу

необхідно:

 

Це припущення можна розглядати як виправдання для роботи з однією реалізації. Передбачається, що ця реалізація "зазвичай" по відношенню до випадкових процесів не являє собою відгалуження

Використовуючи цю обставину, можна оцінити середню і коваріаційну функції випадкового процесу Z0 (t)

Ці характеристики називаються емпіричні середні та емпіричні коваріації. Емпіричний дисперсії та емпіричні кореляційна функція може бути обчислена шляхом

 

Слід зазначити, що емпіричні коваріації і емпірична кореляційна функція повинна бути визначена для к <п / 4, тому що в протилежному випадку достатню кількість пар не брати до уваги. Презентація емпіричної функції кореляції ρk, к = 1, 2,.,, називається коррелограмм. Порівняння з деякими відомими моделями коррелограмм спеціальних стаціонарних процесів дозволяє нам зробити перше рішення про можливу корисність моделі. Взагалі статистичне програмне забезпечення має різноманітні інструменти для підгонки моделі.

3.2 Опис представленої "Змішаної" у вимірах за допомогою аналітичної функції

Проілюструємо деякі важливі кроки моделювання та розрахунку (3-78) і (3-79) для простих наборів даних, з якими ми вже знайомі.

Приклад 3.2.2.4 Розглянемо наступний тимчасовий ряд:

Ми пояснюємо це перетворення в якості одного нестаціонарного процесу

Z (t)= m (t)+ Z 0(t) (*.1)

і ми хочемо визначити вид стохастичного процесу, з яким ми маємо справу. Перший крок в моделюванні прикладу детермінованої структури було зроблено в прикладі 3.2. 2.1, і наступна квазі-лінійна модель присвоюється, оцінюється, і перевіряють:

m ˆ (t)= 0. 9999 sin (2 t)+ sin(4 t) (*.2)

Це відхилення наближеного значення бути прийнято через параметр B ≈ 1. Тепер ми починаємо другий етап. Розглянемо кінцевий варіанти, які ми легко обчислюємо, використовуючи очевидне співвідношення:

 

(ti)= Z (ti) − m ˆ (ti), i = 1 ,..., 9     (*.3)
         

І ми отримуємо:

Таким чином, на цьому етапі ми припускаємо, що ці залишки є кінцевою реалізацією стаціонарного стохастичного процесу Z 0(t) і ми починаємо оцінювати параметри моделі. С (3-78) невідоме середнє цього стаціонарного процесу можна розрахувати

Ми використовуємо рівняння (3-78) і (3-79) і прийняти той факт, що k< 9/4 =k=1,2 враховуємо. Це призводить до

Є вісім пар, які можуть бути розглянуті для розрахунку c1:

 

Оцінка с2 ковариаціх для к = 2 заснований на семи парах

Таким чином, емпірична функція кореляції для к = 0, 1, 2 є

Малюнок 3.25 показує емпіричну кореляційної функції.:

Рис. 3.25 Емпіричні кореляційна функція (потовщена суцільна лінія), розрахована в прикладі 3.2.2.4 з інтервалу, заданої нижньої лінії G1 і G2 верхньої лінії.

 

 

3.2 Опис представленої "Змішаної" у вимірах за допомогою аналітичної функції.

На третьому етапі, підгонки моделі, моделі мають бути визначені шляхом порівняння з відомими теоретичними моделями кореляційних функцій. На жаль, в нашому випадку тимчасовий ряд занадто короткий, щоб дозволити нам закінчити наше моделювання. Але цей приклад показано нижче.

Примітка: Модель може бути завершена за допомогою спеціальних тестових підходів. Наприклад, можна перевірити, чи є стаціонарний процес обраний для залишків є процесом білого шуму чи ні. Для цього ми скористаємося тим, що для білого шумового процесу значення емпіричної функції кореляції незалежне і однаково розподілене по нормальному розподілу з

Граничні значення для довірчого інтервалу і значущості групи для кожного к = 1,2, використовують значну цінність,і можуть бути задані.

Гіпотеза про процес білого шуму не відхиляється, якщо


1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |

Поиск по сайту:



Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.004 сек.)