i-808190579
.pdf14.Можно ли проверить статистическую гипотезу для параметров равномерного распределения?
15.Противоречия статистических выводов.
ЛИТЕРАТУРА
1.Масальский, Г.Б. Математические основы кибернетики: учебное пособие с грифом СибРО УМО вузов РФ / Г.Б. Масальский. – Красноярск:
Сиб. федер. ун-т, 2012. – 176 с.
2.Гмурман В.Е. Руководство к решению задач по теории вероятностей и математической статистике. Учебное пособие. М.: Высшая школа,
1998.-400 с.
3.Рубан А.И. Теория вероятностей и математическая статистика. Учебное пособие: В 2 ч. - КГТУ. Красноярск, 1996.Ч.1.-128 с.
4.MATHCAD 6.0 PLUS. Финансовые, инженерные и научные расчеты
всреде Windows 95. Издание 2-е, стереотипное – М. Информационноиздательский дом «Филинъ», 1997 – 712 с.
5.Дьяконов В.П. MATLAB. Полный самоучитель. – М.: ДМК Пресс,
2012. – 768 с.: ил.
11
Тестовый пример в системе Mathcad
1. Нормальное рас пределение вероятнос тей с лучайной величины (СВ)
W 10 |
m W |
|
0.5 W 5 p 0.8 |
|
|
|
|
|
|
|
|
||||
x m 3 m 3 |
F(x) pnorm(x m ) |
f(x) dnorm(x m ) |
|||||||||||||
c qnorm(p m ) 14.208 |
|
|
1 |
|
|
|
|
|
|
|
|
|
|||
a W 1 |
b W 1 |
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|||||
0.8 |
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|||||||
pab pnorm(b m ) |
pnorm(a m ) |
F(x) 0 |
.6 |
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
pab 0.159 |
|
|
f(x) 0 |
.4 |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
0 |
.2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
10 |
0 |
10 |
20 |
30 |
|||||
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
2. Генерация выборок нормально-рас пределенной СВ |
|
|
|
|
|
|
|||||||||
Nu 10 |
Nx 50 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
u rnorm(Nu m ) |
|
x rnorm(Nx m ) |
|
u1 rnorm(Nu m ) |
|
|
|
|
Оценка математичес кого ожидания (выборочное с реднее)
|
|
|
|
Nu 1 |
|
|
|
|
|
|
Nx 1 |
|
|
|
||||
mu |
1 |
ui |
mu 9.626 |
mx |
|
1 |
|
xi |
mx 9.758 |
|||||||||
|
|
|
||||||||||||||||
|
Nu |
|
|
|
|
|
|
|
Nx |
|
|
|
|
|
||||
|
|
|
|
i 0 |
|
|
|
|
|
|
i |
0 |
|
|
|
|||
mu mean(u) 9.626 |
|
|
|
|
|
|
|
|
|
|
|
|||||||
Оценка дис перс ии (выбо рочная дис перс ия) |
|
|
|
|
|
|||||||||||||
Su2 var(u) 25.883 |
|
Su2 Var(u) |
28.758 |
Sx2 Var(x) 22.836 |
||||||||||||||
|
|
|
|
|
|
|
Nu 1 |
|
|
|
|
|
|
|
|
|
|
|
Su2 |
1 |
|
ui mu |
2 |
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
Su2 28.758 |
|
|
|
Sx stdev (x) 4.731 |
||||||||||
|
Nu 1 |
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
i 0 |
|
|
|
|
|
|
|
|
|
|
|
Su |
|
Su2 |
5.363 |
|
Su Stdev(u) 5.363 |
|
Sx |
Sx2 |
4.779 |
|||||||||
Оценка ковариации |
|
|
|
|
|
|
|
|
|
|
|
|||||||
cov cvar (u u1) 2.83 |
|
|
r corr(u u1) |
|
0.127 |
r1 corr(u1 u) 0.127 |
||||||||||||
3. Рас чет доверительных интервалов |
|
|
|
|
|
|
|
|
||||||||||
Математичес кое ожидание |
|
|
|
|
|
|
|
|
|
|||||||||
q 0.05 |
- уровень значимос ти |
|
|
|
|
|
|
|
|
|||||||||
Найдем рас пределение Стьюдента |
|
|
|
|
|
|
|
|
||||||||||
tq qt 1 |
q |
Nx 1 |
2.01 |
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Sx |
|
|
Sx |
|
|||||
mxmin mx tq |
|
|
|
8.4 |
mxmax mx tq |
|
|
|
|
11.116 |
|
|
|
|
|
||||||
|
|
Nx |
|
|
|
|
Nx |
|
|
|
Интервал для дис перс ии
12
Интервал для дис перс и и |
|
|
|
|
|
||||
2 |
q |
|
1 1 |
q |
Nx 1 |
|
|||
|
|
|
|||||||
2 |
|
|
|
2 |
|
|
|
|
|
1 0.975 |
2 0.025 |
|
|
|
|
||||
Для рас пределенийнайдем значения для |
|
||||||||
1 qchisq ( 1 ) 70.222 |
|
2 |
qchisq ( 2 ) 31.555 |
||||||
|
|
|
|
|
|
|
|||
Sxmin Sx2 |
(Nx 1) |
|
Sxmax Sx2 |
(Nx 1) |
|
|
|||
1 |
2 |
|
|||||||
|
|
|
|
|
|
||||
Sxmin 15.935 |
Sxmax 35.461 |
|
4.Проверка гипотез
4.1. Необходимо с равнить значение mx с заданным значением W
H0 |
: |
|
|
|
mx |
|
|
|
W |
|
|
|
- ос новная гипотеза |
|
|
||||||||||||
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|||||||||||||||||||||
H1 |
: |
|
|
|
mx W |
|
|
|
- конкурирующая гипоте за |
||||||||||||||||||
v Nx 1 49 |
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
mx W |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
tNx |
|
|
|
|
|
Nx tNx 0.358 |
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
Sx |
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
Найдем рас пределение Стьюдента |
|
|
|||||||||||||||||||||||||
tkr qt |
1 |
|
q |
v |
2.01 |
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
tkp |
|
|
|
|
|
|
|
|||||||||||||
Так как |
N |
x |
|
|
- нулевую гипотезу не отвергаем |
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
4.2. Необходимо проверить |
|
|
|
|
|
||||||||||||||||||||||
H0 |
: |
|
|
|
mu |
|
|
|
|
mx |
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
H1 |
: |
|
|
|
mu mx |
|
|
|
|
|
|||||||||||||||||
|
v Nu Nx 2 |
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
mu mx |
|
|
|
|
|
|
|
|
|||||
tNx |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Nu Nx v |
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
tNx 0.079 |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Nu Nx |
|
||||
(Nu |
1) |
|
Su2 (Nx 1) Sx2 |
||||||||||||||||||||||||
tkp qt(1 q v) 1.672 |
|
|
|
|
|
||||||||||||||||||||||
|
|
|
|
|
tkp |
|
|||||||||||||||||||||
Так как |
N |
x |
|
|
- нулевую гипотезу не отвергаем |
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
4.3. Необходимо проверить |
|
|
|
|
|
||||||||||||||||||||||
|
H0 |
|
: |
|
|
Su |
|
|
|
|
|
Sx |
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
H1 |
|
: |
|
|
Su Sx |
|
|
|
|
|
||||||||||||||||
v1 Nu 1 |
|
|
|
|
|
|
|
v2 Nx 1 |
- с тепени с вободы |
13
v1 Nu 1 |
|
v2 Nx 1 |
- с тепени с вободы |
|||
F |
|
Su2 |
|
|
F 1.259 |
- F-критерий (дис перс ио нное отношение) |
|
|
|||||
n |
|
Sx2 |
|
n |
|
|
|
|
|
|
|
||
Найдем рас пределения Фишера |
|
|||||
Fkr qF 1 |
q |
v1 v2 2.387 |
|
|||
|
|
|||||
|
|
|
2 |
|
|
|
т. к. |
|
Fn Fkp |
нет ос нований отвергать нулевую гипотезу |
5. Пос троение эмпиричес кой функции плотнос ти рас пределения вероятнос тей и проверка гипотезы о нормальном рас пределении генеральной с овокупнос ти по критерию Пирс она
(с м. раздел 2.5. в [1]):
k 1 3.2 log(Nx)
xm in min(x)
dx xm a x xm in
k
f hist(int x) Nx
int int 0.5 dx
k 6.437 |
k ceil(k) |
k 7 |
xm a x max(x) |
xm in 4.504 |
xm a x 25.241 |
dx 4.249 |
i 0 k |
int xm in dx i |
|
|
i |
-рас чет чис ла наблюдений, попавших в квант
- центры интервалов ква нтования
F(r) dx dnorm(r m ) |
r m 3 m 3 0.1 m 3 |
j 0 k 1 |
tj |
|
intj mx |
|
|
|
Sx |
|
|
|
||
|
|
|
|
|
|
k 3 |
|
|
|
||
|
|
k 1 |
f |
i |
Nx nT 2 |
2на бл |
|
i |
|||
|
|
nTi |
|||
|
|
i 0 |
|
|
2на бл 9.325
tj 2
|
|
|
1 |
|
|
|
|
|
Nx dx |
|
|
||
|
|
|
e 2 |
nT |
|
|
|
|
|||||
j |
|
|
j |
|
j |
||||||||
|
2 |
|
|
|
|
|
Sx |
||||||
|
|
|
|
|
|
|
|
||||||
0.05 |
|
|
|
|
|
|
|
|
|
2кр ит qchisq (1 )
2кр ит 9.488
Пос кольку 2на бл 2кр ит, то нет ос нований отвер гать гипотезу о нормальнос ти рас пределения генеральной с овокуанос ти
xm in |
xm a x |
0.3
f
F(r) 0.2
0.1
0 |
|
|
|
|
10 |
0 |
10 |
20 |
30 |
int r
График эмпирической функции плотности распределения вероятностей
14
Тестовый пример в системе Matlab
%% 1. Нормальное распределение вероятностей случайной величины (СВ) clc
W = 10; m = W;
sigma = 0.5 * W; p = 0.8;
x = m - 3 * sigma : m + 3 * sigma; F_x = normcdf(x, m, sigma);
f_x = normpdf(x, m, sigma); c = norminv(p, m, sigma);
a = W - 1; b = W + 1;
pab = normcdf(b, m, sigma) - ...
normcdf(a, m, sigma); figure(1);
plot(x,F_x,'-r');hold on; plot(x,f_x,'-b');hold off; grid on; xlabel('x');
ylabel('F(x),f(x)'); legend('F(x)','f(x)');
%%Ввод параметров выборок NU = 10; % обьем выборки U NX = 50; % обьем выборки Х mU = W;
mX = W;
sigmaU = 0.5*W; sigmaX = 0.5*W;
%--------------------------------------------------------------------------%
% Методы получения выборки
%%2. Генерация нормально распределенных выборок
U |
= |
random('Normal', mU , sigmaU, 1, NU); |
% Генерирует матрицы размерно- |
|
стью |
1хNU и 1хNX |
элементы которых |
|
|
X |
= |
random('Normal', mX , sigmaX, 1, NX); |
% распределены по нормальному |
|
закону с математическим ожиданием mu, mx |
|
|||
for |
i=1:NU |
|
|
|
|
|
U1(i)=normrnd(mU,sigmaU); |
|
|
end |
|
|
|
|
[xs In]=sort(X); |
%сортирует в порядке возрастания и соответствующие им ин- |
|||
дексы |
|
|
|
|
%% |
Находим среднее значение оценки, дисперсии и ско (стандартные) |
|||
mU |
= |
mean(U); |
% среднее значение выборки U |
|
mX |
= |
mean(X); |
% среднее значение выборки X |
|
SU2 = var(U); |
% оценка дисперсии выборки U |
|||
SX2 = var(X); |
% оценка дисперсии выборки X |
|||
SU |
= |
std(U); |
%СКО выборки U |
|
SX |
= |
std(X); |
%СКО выборки X |
|
Cov = cov(U,U1); |
% Матрица ковариации |
|
||
r = corrcoef(U,U1); %Матрицы корреляции |
|
|||
r1 |
= |
corrcoef(U1,U); |
|
|
%-------------------------------------------------------------------------- |
|
|
|
% |
%% |
Вывод результатов в командное окно |
|
||
str1 |
= sprintf(' Среднее значение выборки U = %0.2f,\r Среднее значение вы- |
|||
борки X = %0.2f,\r',mU,mX); |
|
|||
disp(str1); |
|
|
15
str2 = sprintf(' Дисперсия выборки U = %0.2f,\r Дисперсия выборки X =
%0.2f,\r',SU2,SX2); disp(str2);
str3 = sprintf(' СКО выборки U = %0.2f,\r СКО выборки X = %0.2f\r',SU,SX); disp(str3);
str4 = sprintf(' Матрица ковариации = '); disp(str4);
disp(Cov);
str5 = sprintf(' Матрица корреляции U и U1 = '); disp(str5);
disp(r);
str6 = sprintf(' Матрица корреляции U1 и U = '); disp(str6);
disp(r1);
%% расчет квантилей
alpha = 0.05; % уровень значимости
chi2X1 = chi2inv(alpha/2,NX-1); % Хи-квадрат для выборки Х для alpha chi2X2 = chi2inv(1-alpha/2,NX-1); % Хи-квадрат для выборки Х для 1-alpha
%% 3. |
Расчет доверительных интервалов |
|
[mx,sx,MX,Sx] = |
normfit(X, alpha/2); %mx-среднее, sx-СКО,MX-интервал для |
|
mx,SX-интервал |
для sx |
|
mXMin |
= MX(1); |
% доверительный интервал |
mXMax |
= MX(2); |
% мат. ожидания СВ Х |
SXMin |
= Sx(1); |
% доверительный интервал |
SXMax |
= Sx(2); |
% СКО СВ Х |
%% Вывод результатов в командное окно
str8 = sprintf('Доверительный интервал математического ожидания СВ X: %0.2f < mХ < %0.2f\r',mXMin,mXMax);
str10 = sprintf('Доверительный интервал СКО СВ X: %0.2f < SX2 <
%0.2f\r',SXMin,SXMax); disp(str8);disp(str10);
%% 4. Проверка гипотез
%4.1 Необходимо сравнить значение mX с заданым значением W
%Гипотеза Н0: mX = W
%H1: mX ~= W
tNx1 = (NX^0.5)*abs(mX - W)/SX;
tkpX = tinv(1-alpha/2,NX-1); %Значение к-та Стьюдента для выборки X
%4.2
%Гипотеза Н0: mU = mX
%H1: mU ~= mX
tNx2 = (abs(mU - mX)/((NU-1)*SU2+(NX-1)*SX2)^0.5)*((NU*NX*(NU+NX-
2))/(NU+NX))^0.5; % Гипотеза H0: mu=mx |
|
tkpU = tinv(1-alpha/2,NU-1); |
% Значение к-та Стьюдента для выборки |
U |
|
%4.3
%Гипотеза Н0: SU = SX
%H1: SU ~= SX
Nv=[NU NX];
[cd N]=sort([SU2 SX2]);
F_n = cd(2)/cd(1); % Гипотеза H0: Su=Sx
Fkrit = finv(1-alpha/2,Nv(N(2))-1,Nv(N(1))-1); % Значение к-та Фишера
%% Вывод результатов в командное окно |
|
|
str11 = sprintf('tнабл. 1 = %0.4f, tкрит. |
1 |
= %0.4f\r',tNx1,tkpX); |
disp(str11); |
|
|
str12 = sprintf('tнабл. 2 = %0.4f, tкрит. |
2 |
= %0.4f\r',tNx2,tkpU); |
disp(str12); |
|
|
str13 = sprintf('Fнабл. = %0.4f, Fкрит. = |
%0.4f\r',F_n,Fkrit); |
|
disp(str13); |
|
|
16 |
|
|
%% 5. Построение эмпирической функции плотности распределения вероятности
%и проверка гипотезы о нормальном распределении генеральной совокупности
%по критерию Пирсона.
k |
= |
1+3.2*log10(NX); |
% количество интервалов |
k |
= |
round(k); |
|
|
%% |
вычисление теоретических частот |
chi2_nabl = chi2gof(NX,'nbins',k); % хи^2 наблюдаемое. Если равно 0 значит
|
% принимаем гипотезу, |
|
% если равно единице, то отклоняем. |
dx = (max(X)-min(X))/k; |
% шаг между интервалами |
i=0:k; |
|
int = min(X)+dx*i; |
% начала интервалов |
hint = int+0.5*dx; |
% центры интервалов |
hint(end) = []; |
|
figure(2); |
|
histfit(X,k); |
|
xlabel('x'); |
|
ylabel('f(x)'); |
|
Среднее значение выборки U = 13.12, Среднее значение выборки X = 10.69,
Дисперсия выборки U = 78.31, Дисперсия выборки X = 29.06,
СКО выборки U = 8.85, СКО выборки X = 5.39
Матрица ковариации =
78.3123 5.1605
5.1605 39.8858
Матрица корреляции U и U1 =
1.0000 0.0923
0.0923 1.0000
Матрица корреляции U1 и U =
1.0000 0.0923
0.0923 1.0000
Доверительный интервал математического ожидания СВ X: 8.92 < mХ <
12.45
Доверительный интервал СКО СВ X: 4.39 < SX2 < 6.94
tнабл. 1 = 0.9004, tкрит. 1 = 2.0096
17
tнабл. 2 = 1.1603, tкрит. 2 = 2.2622
Fнабл. = 2.6951, Fкрит. = 2.3866
18
ЛАБОРАТОРНАЯ РАБОТА № 2
СТАТИСТИКИ СЛУЧАЙНЫХ ПРОЦЕССОВ
Цель работы – анализ дискретных случайных процессов, прохождение случайных дискретных процессов через линейные и нелинейные системы, расчет основных статистических характеристик.
КРАТКОЕ ТЕОРЕТИЧЕСКОЕ ОПИСАНИЕ
Теоретические сведения приведены в разделах 1.5÷1.9, 2.8÷2.10 [1]. Формирование дискретного случайного процесса с заданными характе-
ристиками достигается прохождением дискретного белого шума с нормальным законом распределения через дискретное динамическое звено (дискретный фильтр) с заданной передаточной функцией W (z) .
Для моделирования дискретного белого шума в Mathcad и Matlab используют генераторы случайных чисел, рассмотренные в лабораторной работе № 1, либо генераторы шумов в специализированных приложениях. Так в приложении Signal Processing Extension Pack Mathcad генератор шума рав-
номерного распределения в интервале 0.5 0.5 с mu 0 , σu2 1/12: u:=whiten(N),
и генератор нормального белого шума mx 0 σ2x 1
u:=gaussn(N),
генерируют вектор размерности N 1.
Более подробную информацию о данных и других генераторах шумов и сигналов можно получить в справочной системе Mathcad по ссылке Справ-
ка (Help) → Электронные книги → Signal Processing → here → Signals and Classification of Signals → Noise Generators.
В приложении Matlab Signal Processing Toolbox представлены различные волнообразные сигналы (Wave form Generation).
Для получения подробной информации следует обратиться к встроенной справке или HTML-документации.
Для получения встроенной справки о конкретной функции необходимо ввести команду
>>help имя_функции. HTML-документация доступна из меню Help или по команде
>>help desk.
Дискретный случайный процесс.
Дискретный низкочастотный фильтр с дискретной передаточной функ-
цией
W (z) |
b z 1 |
|
|
1 |
, |
(2.1) |
|
1 a z 1 |
|||
|
1 |
|
|
|
19 |
|
|
|
|
T |
|
, b |
K (1 a ) , |
T – интервал квантования (sample time). |
||||||||||
где a exp |
0 |
|
||||||||||||||
1 |
|
T |
|
1 |
1 |
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
Передаточной функцией (2.1) соответствует разностное уравнение ре- |
|||||||||||||||
курсивного фильтра |
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
x(k) b1u(k 1) a1x(k 1), |
(2.2) |
||||||||||
либо |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x(k 1) b1u(k) a1x(k) . |
(2.3) |
||||||||||
|
Полученные данные называют дискретным временным рядом или про- |
|||||||||||||||
сто временным рядом x(k) . |
|
|
|
|
|
|
|
|
|
|
|
|||||
|
Свойства дискретного процесса |
X (k) |
определены следующими соот- |
|||||||||||||
ношениями: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
M X 2 (k) σ2 |
σ |
2 |
b2 |
1 2q |
; |
|
|||||
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
x |
|
u |
|
1 1 a2 |
|
|||
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|||
|
|
|
|
|
M X (k) U (k) σ2 |
|
b1 |
q; |
(2.4) |
|||||||
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
u |
|
a1 |
|
|||
|
|
|
|
|
M U 2 (k) σ2 |
|
|
|
|
|||||||
|
|
|
|
|
, |
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
u |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где q a1r ρ(r) , σu2ρ(r) M U (k) U (k r) . |
|
|
|
|
|
|
|
|||||||||
|
r 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Оценка математического ожидания, дисперсии временного ряда осу- |
|||||||||||||||
ществляется в соответствие с формулами раздела 2.8 [1]. |
|
|||||||||||||||
|
Оценка корреляционной функции |
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
^ |
|
|
|
N r |
|
|
|
|
|
|
|
|
|
|
|
|
K xx (r) |
|
|
x(k) x(k r), r , ,...,m . |
(2.5) |
|||||||
|
|
|
|
|
N |
r |
||||||||||
|
|
|
|
|
|
|
k |
|
|
|
|
|
|
|
||
где r – номер шага, |
m – максимальное число шагов («максимальное запаз- |
|||||||||||||||
дывание»). |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
При выборе m желательно чтобы оно превысило время корреляции наблюдаемого стационарного случайного процесса. На практике для получения полезной оценки автокорреляционной функции необходимо, чтобы число наблюдений N , а число m N / . При «подозрении» на присутствие в наблюдаемом случайном процессе низкочастотной гармонической составляющей m следует увеличить до N / 2 .
В приложении Signal Processing (Mathcad) для оценки K xx (r) исполь-
зуется функция
correl(x,x)r= xk x k r ,
k
1
которая отличается от (2.5) отсутствием множителя N r .
Обращение к функции
20