Стационарни времеви редове - голяма енциклопедия на нефт и газ, хартия, страница 1
Стационарни времеви редове
Стационарни времеви редове. обикновено тя има определен компенсира tnositelno нула. Този компонент се дължи на изтичането нарушава DFT GPA използване прозорци, особено забележими в региона на ниска честота. [1]
Най-простият пример неподвижен времеви редове. чиито очакване е равно на нула, и грешка д / nekorre-изолиран, бял шум. Следователно, можем да кажем, че смущението (грешка), е класически модел на линейна регресия, бял шум, и в случай на нормално разпределение - нормално (Гаусово) бял шум. [2]
Чрез тази процедура се получава неподвижната динамични редове. [4]
Заедно с автокорелационната функция за стационарна серия проучването време счита самостоятелна функция rchast автокорелация (с), където rchast (т) е частично корелационен коефициент между членовете време серия близост. [5]
Основните резултати от теорията на изглаждане и прогнозиране стационарни динамични редове Винер - Колмогоров, получена чрез нов метод. Подходът е вдъхновен от физически съображения, въз основа на теорията на електрическа верига, и не изисква използването на интегрална уравнения или корелационни функции. Случаите на анти-заглаждане с безкраен забавяне случай на чист предсказване (без шум) и е общ проблем за изглаждане и прогнозиране. В крайна сметка ние се обсъдят основните допускания на теорията за определяне на въпроса за условията на неговата адекватност и за да се предотврати неговото неправомерно прилагане. [6]
В този случай, оригиналната проба има п независими случайни стойности изследвани стационарна време серия. [7]
Следователно, теорията може да се характеризира като линейно предсказване и изглаждане на най-малките квадрати стационарна време серия. Ясно е, че теорията се прилага само когато тези три хипотези са изпълнени, или поне приблизително удовлетворени. Ако един от тях е променен или премахнат, проблемът за прогнозиране и изглаждане става математически много трудно, и ние знаем малко за точните решения. Някои от ограниченията, наложени от направените предположения, ще бъдат обсъдени по-нататък. [8]
Разликата между правото и най-добрите решения вероятно може да се види по-ясно в контекста на статистическа прогноза за стационарни динамични редове. [9]
Предвиждането се основава на предположението, че законите на вероятностите, са се случили в миналото, ще бъде валиден за най-близко бъдеще. Проблемът за предсказване на статистическа стационарна време серия може да се сравни в някои отношения на проблема за прогнозиране на стойностите на F функция (х), то ще има, когато аргумент X-Z х в неговата стойност, когато аргумент х, което може да бъде направено, например чрез разширяване на серия Тейлър. [10]
За всеки оценява нарушение на тези данни представляват определен брой точки на възникване на нарушения по време на периода на наблюдение. Точността на оценки на статистически характеристики (очакването на случаен процес стационарна време серия. Неговата дисперсия, вероятността от смущения на получените данни) в най-прост вариант на изпълнение може да бъде определено от средната квадратична грешка на оценка на тези характеристики. [11]
Сред регресорите във времето могат да бъдат включени модели от серията, както и постоянното и час тенденция, както и всякакви други обяснителни променливи. регресия грешки може да се съпостави с друг, обаче, ние приемаме, че остатъците от регресията образуват стационарни динамични редове. [12]
Подробно графика periodogram т (с) редица Бевъридж, вече разглежда като функция на честотата може да се намери, между другото, в [101, Фиг. 49.1] и [9, Фиг. А. В тези две книги, както и в книгите [78, 256] и в редица други книги и статии от списания (вж. По-специално, бележка под линия 116, можете да намерите редица допълнителни примери за IT periodogram (с) стационарен хронологични х ( т); те са много неправилни честотни функции [13].
Основната част от изпълнението на непрекъснати химически съоръжения за обработка варира в зависимост от времето, тъй като стационарни случайни процеси. Ето защо, за да се изчисли оценките на статистически характеристики, които включват средните стойности (в противен случай, очаквания) и стандартно отклонение от средните стойности (или квадратите на тези отклонения, отклонения), се прилагат съществуващите методи на математическата статистика стационарни динамични редове. Условията на експеримента, по време на които въведените данни за оценка на статистическите характеристики трябва да отговарят на общите изисквания. [14]
Проверете стойност за парите, сложността на модела и - обемът на наблюдаваната извадка. Обяснете значението на първата проверка на адекватността на модела като пример. Помислете за сравнително проста стационарни динамични редове. съдържащ 100 наблюдения, и предположи, че съответната АК (2) - мо дел преминава всички тестове на адекватността на проверките на определено ниво на значимост. Можем ли да приемем, че този физически процес е обект на Академията на науките (2) - модел. Положителният отговор не е гарантирано. Ако физически процес е обект AB (2) - модела, статистически характеристики на модела, като correlogram и спектралната плътност трябва да бъде близо до съответните емпирични характеристики, получени чрез допълнително, да речем, 10 000 наблюдение на процеса на приемливо ниво на значимост. Тази ситуация се случва рядко. Помислете, например, реката тече процес моделиране на ден. [15]
Страница: 1 2