Заказ работы

Заказать
Каталог тем

Самые новые

Значок файла Зимняя И.А. КЛЮЧЕВЫЕ КОМПЕТЕНТНОСТИ как результативно-целевая основа компетентностного подхода в образовании (2)
(Статьи)

Значок файла Кашкин В.Б. Введение в теорию коммуникации: Учеб. пособие. – Воронеж: Изд-во ВГТУ, 2000. – 175 с. (3)
(Книги)

Значок файла ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ КОМПЕТЕНТНОСТНОГО ПОДХОДА: НОВЫЕ СТАНДАРТЫ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ (4)
(Статьи)

Значок файла Клуб общения как форма развития коммуникативной компетенции в школе I вида (10)
(Рефераты)

Значок файла П.П. Гайденко. ИСТОРИЯ ГРЕЧЕСКОЙ ФИЛОСОФИИ В ЕЕ СВЯЗИ С НАУКОЙ (11)
(Статьи)

Значок файла Второй Российский культурологический конгресс с международным участием «Культурное многообразие: от прошлого к будущему»: Программа. Тезисы докладов и сообщений. — Санкт-Петербург: ЭЙДОС, АСТЕРИОН, 2008. — 560 с. (12)
(Статьи)

Значок файла М.В. СОКОЛОВА Историческая память в контексте междисциплинарных исследований (13)
(Статьи)


Заказ научной авторской работы

Определения случайного процесса и временного ряда

 Под случайной функцией переменной t понимается соответствие,
в силу которого каждому значению переменной t, принадлежащей
некоторому заданному множеству U (называемому областью определения
рассматриваемой функции) сопоставляется случайная величина X(t).
Обычно U - это некоторое числовое множество, так что речь идет о
случайной величине, зависящей от некоторого числового параметра t.
В приложениях в качестве параметра t обычно фигурирует время и
тогда X(t) часто называют случайным процессом. Иногда в качестве
параметра t берется и некоторая пространственная координата.
Случайный процесс – это случайная величина, взятая в динамике
(временной, пространственной и т.п.) ее развития. Например,
напряжение в электросети, наблюдаемое в течении некоторого
заданного промежутка времени, вовсе не постоянно, как принято
считать, а является случайным процессом, колеблясь вокруг своего
номинального значения 220v. Реализуемая в некотором конкретном
эксперименте функция x(t), состоящая из значений случайной
величины X(t), называется реализацией этой случайной величины. Для
напряжения реализация – это зависимость напряжения от времени при
одном определенном измерении в заданном временном интервале. Еще
одним примером случайного процесса является число пятен,
наблюдаемое на Солнце работниками некоторой определенной
обсерватории. Здесь важно подчеркнуть, что нужно рассматривать
именно данные одной обсерватории, так как для разных обсерваторий
случайные функции X(t) будут разными (т.е. случайные величины X(t)
при каждом t будут немного отличаться в разных обсерваториях). Еще
примеры случайных процессов – число отказов оборудования на данном
предприятии, курс некоторой валюты (например, доллара) на бирже
(например, на московской или лондонской), население города,
броуновское движение микрочастиц в жидкости или газе,
турбулентность и так далее. 
     Переменная t не обязательно должна меняеться непрерывно.
Может оказаться, что она принимает дискретный набор значений.
Например, областью определения случайной функции может быть
PDF created with FinePrint pdfFactory trial version http://www.fineprint.com
множество N всех натуральных чисел (или какое-либо другое
семейство равноотстоящих значений). В этом случае X(t) называется
временным рядом. Временной ряд можно рассматривать как
последовательность {Xn} случайных величин. Реализация случайного
процесса – это определенная последовательность чисел (т.е.
числовая функция натурального аргумента). Итак, между случайным
процессом и временным рядом нет принципиального различия, они
отличаются только характером своей области определения. Поэтому их
изучение можно производить параллельно.    
     Почти все приведенные выше примеры случайных процессов на
самом деле более естественно рассматривать как примеры временных
рядов. Например, число пятен на Солнце измеряется не непрерывно, а
лишь раз в день (или чуть чаще, но даже далеко не каждую минуту) и
потому результат  является реализацией временного ряда. Отказы
оборудования и курс доллара тоже определеяются не непрерывно и
потому их тоже стоит рассматривать как примеры временных рядов. А
вот напряжение в электросети, регистрируемое каким-либо прибором
непрерывно, является типичным примером случайного процесса.  
     Если зафиксировать значение переменной t=t0, то случайная
величина X(t0), соответствующая этому значению, называется сечением
случайного процесса. Поэтому случайный процесс – это набор
сечений. 
     Часто случайные процессы можно задавать аналитически.
Например, рассмотрим следующие два случайных процесса: 
  X(t)=A·sin?t
  Y(t)=a·sin?t,
где A и ? – случайные величины, a и ? – некоторые постоянные
величины. Тогда X(t) можно рассматривать как гармонические
колебания с постоянной частотой (равной ?), но со случайной
амплитудой (задаваемой случайной величиной A). Например, это могут
быть колебания некоторого фиксированного математического маятника,
для которых начальное отклонение (определяющее амплитуду)
выбирается случайно. Случайный процесс Y(t) можно рассматривать
как гармонические колебания, имеющие постоянную амплитуду, но
частота которых случайна. 
     При изучении случайных процессов обычно бывает необходимо
решить следующие задачи:
 
1. Вычислить числовые и функциональные характеристики процесса
(описательные методы). 
2. Определить, имеется ли некоторая неслучайная, закономерная
компонента, описывающая тенденцию (тренд) процесса. 
3. Определить, нет ли регулярных, колебательных “сезонных”
компонент, которые связаны с периодическими естественными
колебаниями параметров случайного процесса.
4. Выделить и описать основные колебания случайного процесса
вокруг тренда, в случае необходимости удалить влияние
второстепенных факторов.
5. Дать прогноз развития случайной процесса на ближайшее будущее и
указать степень уверенности в этом прогнозе.
 
PDF created with FinePrint pdfFactory trial version http://www.fineprint.com
     Анализ случайных процессов находит применение во многих
областях - научных и прикладных. Например, его используют в
экономике, метеорологии (прогноз температуры, осадков, паводков и
др.), морских дисциплинах, геофизике, маркетинге, при анализе
производственных процессов (для выделения факторов, изменяющихся
во времени и влияющих на эффективность этих процессов), в военном
деле и так далее.
     Основные характеристики случайных процессов аналогичны тем,
которые используются при изучении случайных величин. Только теперь
добавляется зависимость этих характеристик от параметра t. Для
временных рядов получается последовательность чисел, каждое из
которых соответствует данному моменту времени.
     Функцией распределения случайного процесса X(t) называется
функция F(x,t)=P[X(t)<x]. При каждом фиксированном t=t0 мы получаем
функцию распределения F(x,t0) случайной величины X(t0). Тем самым
F(x,t) полностью характеризует каждое сечение случайного процесса
X(t). Однако это не дает исчерпывающей характеристики случайного
процесса в отличие от случайных величин, для которых знание
функции распределения позволяет получить всю необходимую
информацию о случайной величине. Для случайного же процесса важна
и взаимная связь различных сечений. Совместное распределение двух
сечений случайного процесса X(t)  описывается двумерной функцией
распределения:
       F(x1,x2,t1,t2)=P[X(t1)<x1,X(t2)<t2]. 
     Аналогично можно вести и функции совместных распределений
трех и более сечений. Все они будут нести важную информацию об
исходном случайном процессе. Однако с увеличением числа
рассматриваемых сечений эти функции становятся все более сложными
и потому обычно ограничиваются рассмотрением только первых двух
функций распределения – одномерной и двумерной. 
     Плотность распределения (одномерная) случайного процесса
получается, как и в случай случайных величин, дифференцированием  
функции распределения 
      f(x,t)= dx
dF (x,t).
     Математическое ожидание случайного процесса – это функция,
которая при каждом значении параметра t равно математическому
ожиданию соответствующего сечения. Если величины X(t) при каждом t
являются дискретными случайными величинами, то они задаются
законами распределения 
         x1(t)  x2(t)  x3(t) ...
         p1(t)  p2(t)  p3(t) ... .
     В этом случае математическое ожидание случайного процесса
вычисляется по формуле:
 
    M(X(t))= ?
i
i i x (t) p (t).
     Для временного ряда {Xn} математическое ожидание вычисляется
по формуле:
PDF created with FinePrint pdfFactory trial version http://www.fineprint.com
       MXn=?
i
i i x (n) p (n)
     Если процесс X(t) образован непрерывными случайными
величинами, то математическое ожидание через плотность
распределения этого случайного процесса выражается следующим
естественным образом:
       M(X(t))= ?
+?
-?
xf (x,t)dx .
     Свойства математического ожидания для случайного процесса те
же, что для математического ожидания отдельной случайной величины.
Это не удивительно, так как математическое ожидания для каждого
значения параметра t зависит только от сечения в этой точки.    
     Математическое ожидание случайного процесса является
некоторой обычной (неслучайной) функцией переменной t. График этой
функции описывает развитие во времени среднего значения величины
X(t). При этом может оказаться, что этот график – прямая линия,
параллельная оси t. В этом случае случайный процесс можно
рассматривать как случайные колебания вокруг некоторого
постоянного значения. Такого рода процессы очень часто встречаются
на практике. 
     Если случайный процесс X(t) центрировать, вычтя из него
функцию MX(t), то получим центрированный случайный процесс,
которые представляет собой случайные колебания вокруг нулевого
значения. Иногда случайный процесс еще и нормируют, деля его на
среднеквадратичное отклонение ?X (см. ниже), при этом получается
процесс с нулевым средним и с единичной дисперсией. Эта нормировка
удобна для сравнения между собой случайных процессов разного рода. 
     Определение дисперсии случайного процесса тоже вполне
очевидно. Его можно записать также в виде:
          D(X(t))=M(X(t))2-MX(t))2  .
     Если процесс X(t) образован дискретными величинами, то
развернутая формула для вычисления дисперсии имеет вид
            D(X(t))=?
i
(xi(t)-MX(t))2 pi.
Для непрерывного случая имеем формулу
             D(X(t))=  ?
+?
-?
(x - MX(t))2 f (x, t)dx .
     Ясно, что и свойства дисперсии случайного процесса по сути не
отличаются от свойств дисперсии случайной величины. Дисперсия
случайного процесса характеризует степень рассеяния различных
реализаций случайного процесса вокруг его “средней реализации”
(т.е. математического ожидания случайного процесса). Для случайных
процессов вводится, конечно, и понятие среднеквадратичного
отклонения ?(X(t)) – это  корень квадратный из дисперсии.
     Два случайных процесса X(t) и Y(s) называются независимыми,
если для каждых значений параметров t и s независимы случайные
величины X(t)и Y(s). Это означает, что должны быть независимыми
события [X(t)<x]  и [Y(s)<y] при любых значений переменных x и y и
аргументов t и s. Например, есть все основание предполагать, что
PDF created with FinePrint pdfFactory trial version http://www.fineprint.com
курс доллара на московской бирже и температура воздуха в городе
Москве независимы.
Однако понятие независимости на практике не является абсолютным и
потому может оказаться, что эти два не связанных между собой (на
первый взгляд) процесса на самом деле нельзя рассматривать как
независивые. Чтобы убедиться в независимости двух процессов,
иногда приходится проводить довольно длительные исследования.
     Для независимых случайных процессов их математические
ожидания и дисперсии, как и в случае отдельных случайных величин,
обладают дополнительными свойствами:
        M(X(t)Y(t))=M(X(t))M(Y(t)),
        D(X(t)+Y(t))=D(X(t))+D(Y(t)).
     Рассмотрим некоторые примеры вычисления математического
ожидания и дисперсии случайных процессов. 
1. Пусть X(t)=at+B, где a – некоторое постоянное число, а B –
случайная величина. Тогда имеем
              M(X(t))=at+M(B)
     Графики реализаций этого случайного процесса являются
параллельными между собой прямыми, а график функции M(X(t)) – это
как бы средняя среди всего этого множества прямых. Далее, имеем
             D(X(t))=D(B), 
так как слагаемое at не является случайным и потому на значение
дисперсии не влияет (см. выше).
2. X(t)=A1sin?1t + A2sin?2t,
где A1 и A2 – случайные величины, а ?1 и ?2 – некоторые постоянные
числа. Предположим, что случайные величины A1 и A2  независимы, их
математические ожидания равны 0, а их дисперсии одинаковы и равны
некоторому числу ?2. Имеем тогда, используя свойства
математического ожидания и дисперсии, такие соотношения:
 
 M(X(t))=M(A1)sin?1t + M(A2)sin?2t=0+0=0,
 D(X(t))= D(A1)sin2?1t + D(A2)sin2?2t= ?2(sin2?1t+sin2?2t),
 ?(X(t))= ? t t 2
2
1
sin 2w + sin w .
 
     Несмотря на то, что математическое ожидание и дисперсия
случайного процесса  являются очень полезными характеристиками,
для серьезного изучения случайных процессов этих характеристик
оказывается далеко не достаточно. Дело в том, что эти две
характеристики ничего не говорят о том, как связаны между собой
различные сечения случайного процесса. А без знания такой связи не
стоит и пытаться искать методы прогнозирования случайных
процессов.  
     Так как временной ряд – это частный случай понятия случайной
фенкции, то все сказанное выше о характеристиках случайных
процессов в полной мере относится и к временным рядам. Для них
математическое ожидание и дисперсия вычисляются по формулам,
аналогичным приведенным выше. Только теперь в результате
получаются не функции, а последовательности чисел.
     Выше речь шла о скалярных случайных процессах, где случайные
величины одномерны. Можно рассматривать и вектор-значные (или,
PDF created with FinePrint pdfFactory trial version http://www.fineprint.com
иначе говоря, многомерные) случайные процессы, в которых каждому
значению параметра t соответствует некоторый случайный вектор.
Например, в таком виде можно задать движение артиллерийского
снаряда с течением времени. Вектор-значный случайный процесс можно
рассматривать как систему, состоящую из нескольких скалярных
случайных процессов. Поэтому многие методы исследования,
применяемые в теории скалярных (одномерных) случайных процессов,
подходят и для исследования вектор-значных процессов. Однако тут
есть и свои специфические проблемы.  

     Ниже Вы можете заказать выполнение научной работы. Располагая значительным штатом авторов в технических и гуманитарных областях наук, мы подберем Вам профессионального специалиста, который выполнит работу грамотно и в срок.


* поля отмеченные звёздочкой, обязательны для заполнения!

Тема работы:*
Вид работы:
контрольная
реферат
отчет по практике
курсовая
диплом
магистерская диссертация
кандидатская диссертация
докторская диссертация
другое

Дата выполнения:*
Комментарии к заказу:
Ваше имя:*
Ваш Е-mail (указывайте очень внимательно):*
Ваш телефон (с кодом города):

Впишите проверочный код:*    
Заказ курсовой диплома или диссертации.

Горячая Линия


Вход для партнеров