
- •Лекции 5,6. Процессы авторегрессии и скользящего среднего
- •1. Предварительные сведения
- •1.1. Основные понятия и терминология
- •1.2. Элементы теории стационарных случайных процессов
- •2. Процессы авторегрессии и скользящего среднего
- •2.1. Значение процессов авторегрессии и скользящего среднего
- •2.2. Случайные последовательности авторегрессии
- •2.3. Случайные последовательности скользящего среднего
- •2.4. Смешанная модель авторегрессии – скользящего среднего
Лекции 5,6. Процессы авторегрессии и скользящего среднего
1. Предварительные сведения
1.1. Основные понятия и терминология
При исследовании реальных устройств, функционирующих в условиях случайных возмущений, экспериментатор может наблюдать и фиксировать реализации случайных процессов, связанных с работой устройства. При этом статистические закономерности процессов и параметры исследуемого устройства частично или полностью оказываются априори неизвестными. Поскольку получение точных значений интересующих характеристик и параметров, как правило, бывает невозможным, приходится оценивать на основе обработки экспериментальных данных с учетом априорной информации, указывающей, например, класс к которому принадлежит исследуемый процесс.
Для широкого класса устройств модель функционирования может быть представлена как реакция на входные возмущения и начальное состояние. Модель, описывающую работу устройств как преобразование входных возмущений и начального состояния в выходную реакцию, называют системой.
Для математического описания системы удобно использовать принятую терминологию: так, входные возмущения и начальное состояние называют входным сигналом, реакцию системы – выходным сигналом. Входные и выходные сигналы в общем случае являются элементами произвольных пространств. Например, для механических устройств входными сигналами могут быть силы и моменты, а выходными – перемещения, скорости и ускорения. Для радиотехнических и электронных систем входными сигналами являются электромагнитные поля, токи и напряжения, а выходными - сигналы той же природы или звуковые сигналы, а возможно и телевизионные изображения. Для организационных систем в качестве входных сигналов можно рассматривать проблемы, а качестве выходных – решения проблем.
Обозначая входной сигнал через X, а выходной – через Y, можно схематически изобразить систему (рис.1).
Рис. 1.
Мы будем рассматривать
стационарные (установившиеся) режимы
функционирования систем, а это означает,
что входной и выходной процессы являются
стационарными в широком смысле. Кроме
этого, предположим, что X
и Y,
являются процессами с целочисленным
временем:
Такие процессы чаше называются случайными
последовательностями
(с.п.) или временными рядами.
1.2. Элементы теории стационарных случайных процессов
С.п.
.,
принимающая, вообще говоря, комплексные
значения, называется стационарной в
широком смысле, если для любого целого
t
и корреляционная функция
зависит
только от разности моментов времени t
и s.
Таким образом, корреляционная функция
стационарной с.п. является комплекснозначной
функцией целочисленного аргумента:
.
Она обладает следующими свойствами:
1)
;
если же
принимает только вещественные значения,
то
;
2)
;
если
вещественнозначная с.п., то
;
3)
неотрицательно определена, т.е. для
любого целого
,
любых целых
и любого набора комплексных чисел
выполнятся неравенство
.
Согласно теореме А.Я. Хинчина для корреляционной функции стационарный с.п. имеет представление
(1)
в
котором
– неубывающая неотрицательная
ограниченная функция на
,
называемая, как и в случае процессов с
непрерывным временем, спектральной
функцией. Если
, (2)
то
функция
будет дифференцируемой, и она может
быть представлена в виде
, (3)
где
.
При этом (1) можно заменить формулой
(4)
Функция
,
где
,
называется спектральной
плотностью случайной последовательности.
Из (4) видно, что величины
,
являются коэффициентами Фурье функции
,
так что разложение этой функции в ряд
Фурье будет иметь вид
. (5)
Эту
формулу можно рассматривать как
дискретный аналог известной формулы
обращения для спектральной плотности
непрерывного в среднем квадратическом
(с.к.) стационарного в широком смысле
процесса.
Используя теорему
Карунена для стационарной последовательности
,
с
и с корреляционной функцией (1), получаем
интегральное представление (теорема
Хинчина)
, (6)
где
в правой части имеем стохастический
интеграл по процессу
с
ортогональными приращениями и со
спектральной функцией
,
совпадающей со спектральной функцией
в представлении (1) корреляционной
функции последовательности
.