5.Порядок оценивания линейной эконометрической модели из изолированного уравнения в Excel. Смысл выходной статистической информации сервиса Регрессия. (10) стр 41

6.Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам. (30) стр.24-25,

7. Классическая парная регресионная модель. Спецификация модели. Теорема Гаусса-Маркова.

8. Метод наименьших квадратов: алгоритм метода, условия применения.

9.Идентификация отдельных уравнений системы одновременных уравнений: порядковое условие. (30)

Необходимое условие идентифицируемости

10.Оценка параметров парной регрессионной модели методом наименьших квадратов. (10)

11.Фиктивные переменные: определение, назначение, типы.

12.Автокорреляция случайного возмущения. Причины. Последствия.

13.Алгоритм проверки значимости регрессора в парной регрессионной модели.

14.Интервальная оценка ожидаемого значения зависимой переменной в парной регрессионной модели.

15. Тест Чоу на наличие структурных изменений в регрессионной модели. (20) стр. 59,60

16. Алгоритм проверки адекватности парной регрессионной модели. (20) стр. 37, 79

17. Коэффициент детерминации в парной регрессионной модели.

18. Оценка параметров множественной регрессионной модели методом наименьших квадратов.

20. Гетероскедастичность случайного возмущения. Причины. Последствия. Тест gq(20)

21.Фиктивная переменная наклона: назначение; спецификация регрессионной модели с фиктивной переменной наклона; значение параметра при фиктивной переменной. (20) стр.65

22..Алгоритм теста Дарбина-Уотсона на наличие (отсутствие) автокорреляции случайных возмущений. (20) стр 33

23. Структурная и приведённая формы спецификации эконометрических моделей.

24. Гетероскедастичность случайного возмущения. Причины. Последствия. Алгоритм теста Голдфельда-Квандта на наличие или отсутствие гетероскедастичности случайных возмущений.

Алгоритм теста Голдфелда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений.

25. Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам.

26. Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов

27.Проблема мультиколлинеарности в моделях множественной регрессии.Признаки мультиколлениарности.

28.Что такое логит,тобит,пробит.

29. Что такое Метод наибольшего правдоподобия стр. 62.

30. Что такое стационарный процесс?

31.Свойства временных рядов.

32.Модели ar и var .

33. Идентифицируемость системы.

34. Настройка модели с системой одновременных уравнений.

35.Что такое метод Монте-Карло стр 53

36.Оценить качество модели по f, gq, dw (линейнные).Стр.33, 28-29

37. Оценка погрешностей параметров эконометрической модели методом Монте-Карло.

38. Отражение в модели влияния неучтённых факторов. Предпосылки теоремы Гаусса-Маркова.

39.Модели временных рядов. Свойства рядов цен акций на бирже (20) с.93.

40. Ожидаемое значение случайной переменной, её дисперсия и среднее квадратическое отклонение. (20) с.12-21

41. Оценка параметров парной регрессионной модели методом наименьших квадратов с использованием сервиса Поиск решения.

42. Проверка статистических гипотез, t-статистика Стьюдента, доверительная вероятность и доверительный интервал, критические значения статистики Стьюдента. Что такое “толстые хвосты”?

43.Проблема мультиколлинеарности в моделях множественной регрессии. Признаки мультиколлинеарности

44. Частные коэффициенты детерминации.

46. Экономический смысл коэффициентов линейного и степенного уравнений регрессии.

47.Оценка коэффициентов модели Самуэльсона-Хикса

48. Ошибки от включения в модель незначимых переменных или исключения значимых.С.80

49. Исследование множественной регрессионной модели с.74-79.

50. Мультиколлинеарность: чем плоха, как обнаружить и как бороться.

51. Признаки стационарности стохастического процесса. Что такое «Белый шум»? с.100

52. Структурная и приведённая формы спецификации эконометрических моделей.

53. Алгоритм проверки значимости регрессора в парной регрессионной модели. По t-статистике, по f-статистике.

54.Свойства рядов цен на фондовом рынке. Принципы построения портфеля Марковица с.93,102

55.Динамическая модель из одновременных линейных уравнений (привести пример) с.105.

56. Метод наибольшего правдоподобия: принципы и целесообразность использования

57. Этапы исследования модели множественной регрессии с.74-79.

30. Что такое стационарный процесс?

Стационарность - свойство процесса не менять свои характеристики со временем. Имеет смысл в нескольких разделах науки. Стационарность случайного процесса означает неизменность во времени его вероятностных закономерностей

Временной ряд – это конечная реализация стохастического процесса: генерации набора случайных переменных Y(t).

Стохастический процесс может быть стационарным и нестационарным. Процесс является стационарным, если

1. Математическое ожидание значений переменных не меняется.

2. Математическое ожидание дисперсий переменных не меняется.

3. Нет периодических флуктуаций.

Распознавание стационарности:

1. График: систематический рост или убывание, волны и зоны высокой волатильности (дисперсии) в длинном ряде сразу видны.

2. Автокорреляция (убывает при росте лага)

3. Тесты тренда: проверка гипотезы о равенстве нулю коэффициента при t.

4. Специальные тесты, включённые в пакеты компьютерных программ Stata,

31.Свойства временных рядов.

Эконометрическую модель можно построить, используя три типа исходных данных:

Данные, характеризующие совокупность различных объек­тов в определенный момент (период) времени: cross sectional data , “пространственные”;

Данные, характеризующие один объект за ряд последова­тельных моментов

(периодов) времени: временные ряды, time series ;

данные, характеризующие совокупность различных объек­тов за ряд последова­тельных моментов времени: panel data , “панельные”.

Временной ряд – это совокупность значений какого-либо показателя за несколько последовательных моментов (периодов) времени. Он формируется под воздействием большого числа факторов, которые можно условно подразделить на три группы:

факторы, формирующие тенденцию (тренд ) ряда;

факторы, формирующие циклические колебания ряда, например сезонный, недельный; для рядов цен на фондовом рынке характерны непериодические колебания;

случайные факторы.

Модели, которые построены по данным, характеризующим один объект за ряд последовательных периодов, называются моделями временных рядов.

Каждый уровень временного ряда может формироваться их трендовой (Т), циклической или сезонной компоненты (S), а также случайной (E) компоненты.

Модели, где временной ряд представлен в виде суммы перечисленных компонентов называются аддитивными, если в виде произведения – мультипликативными моделями.

Аддитивная модель имеет вид : Y=T+S+E

Мультипликативная модель имеет вид : Y=T*S*E

Построение модели временного ряда :

производят выравнивание временного ряда (например методом скользящей средней); 2. Рассчитывают значения сезонной компоненты; 3. Устраняют сезонную компоненту и получают выровненный ряд; 4. Проводят аналитическое выравнивание уровней (T и E) и расчет значений Е с использованием полученного уравнения тренда; 5. Расчитывают значения Т и Е; 6. Расчитывают абсолютные и относительные ошибки.

Построение аналитической функции при моделировании тренда в любой задаче по эконометрике на временные ряды называют аналитическим выравниванием временного ряда и в основном применяются функции: линейная, степенная, гиперболическая, параболическая и т.д.

Параметры тренда определяются как и в случае линейной регрессии методом МНК, где в качестве независимой переменной выступает время, а в качестве зависимой переменной – уровни временного ряда. Критерием отбора наилучшей формы тренда служит наибольшее значение коэффициента детерминации, критерии Фишера и Стьюдента.

Автокорреляция в остатках – корреляционная зависимость между значениями остатков за текущий и предыдущие моменты времени. Для определения автокорреляции остатков используется критерий Дарбина-Уотсона:

Временной ряд – это датированная целочисленными моментами времени t экономическая переменная. Эта переменная служит количественной характеристикой некоторого экономического объекта, поэтому изменение этой переменной во времени определяется факторами, оказывающими воздействие на данный объект с ходом времени.

Все факторы делятся на 3 класса. 1 класс: факторы («вековые» воздействия), результирующее влияние которых на данный объект на протяжении длительного отрезка времени не изменяют своего направления. Они порождают монотонную составляющую (тенденцию или тренд). 2 класс: факторы (циклические воздействия), результирующее влияние которых на объект совершает законченный круг в течение некоторого фиксированного промежутка времени T. 3 класс: факторы (случайные воздействия),результирующее влияние которых на объект с высокой скоростью меняет направление и интенсивность. 3 Класс факторов позволяют интерпретировать величину в каждый период времени как случайную переменную

На практике очень часто встречаются случайные процессы, протекающие во времени приблизительно однородно и имеющие вид непрерывных случайных колебаний вокруг некоторого среднего значения, причем ни средняя амплитуда, ни характер этих колебаний не обнаруживают существенных изменений с течением времени. Такие случайные процессы называются стационарными.

В качестве примеров стационарных случайных процессов можно привести: случайные шумы в радиоприемнике; процесс качки корабля и т. п. Каждый стационарный процесс можно рассматривать как продолжающийся во времени неопределенно долго; при исследовании стационарного процесса в качестве начала отсчета можно выбрать любой момент времени. Исследуя стационарный процесс на любом участке времени, мы должны получить одни и те же его характеристики. Образно выражаясь, стационарный процесс «не имеет ни начала, ни конца».

Случайный процесс называется стационарным в строгом (узком) смысле, если его функция распределения любого порядка не изменяется при сдвиге совокупности точек на величину , т.е. Другими словами, для стационарного процесса функция распределения любого порядка и, следовательно, его характеристики не зависят от положения начала отсчета времени. Стационарность означает статистическую однородность процесса во времени. Физически стационарный случайный процесс представляет собой случайный процесс в установившемся режиме.

Если приведенное выше условие не выполняется, то процесс называется нестационарным. Заметим, что далеко не все нестационарные случайные процессы являются существенно нестационарными на всем протяжении своего развития. Существуют нестационарные процессы, которые (на известных отрезках времени и с известным приближением) могут быть приняты за стационарные.

Из определения стационарного процесса следует, что т.е. одномерная функция распределения вообще не зависит от времени, а двумерная функция распределения зависят только от разностей времен . Отсюда следует, что для стационарного случайного процесса среднее значение и дисперсия являются постоянными величинами, т.е. не зависит от времени, а корреляционная функция такого процесса зависит только от одной переменной

Случайный процесс называют стационарным в широком смысле, если его среднее значение и дисперсия не зависят от времени, а корреляционная функция зависит только от разности времен . Стационарность в широком смысле не тождественна строгому определению стационарности. Случайные процессы, стационарные в строгом смысле, всегда стационарны в широком смысле, но не наоборот.

Стационарным случайным процессом в узком смысле называется случайный процесс, у которого n -мерная плотность вероятности не изменится, если все отсчеты времени сместить на одну и ту же величину:

Если выбрать , то n -мерная плотность вероятности не будет зависеть от начала отсчета времени

Таким образом, для стационарного процесса одномерная плот­ность вероятности вообще не зависит от времени, а двумерная плот­ность зависит не в отдельности от t 1 и t 2 , а от их разности

В свою очередь, из выражений (2.9) и (2.10) вытекает, что математическое ожидание и дисперсия стационарного процесса не зависят от времени, а корреляционная функция зависит от t :

(2.11)

(2.12)

Из (2.11), (2.12) и (2.13) следует, что математическое ожи­дание постоянно и поэтому для стационарного процесса характе­ризует постоянную составляющую процесса; постоянность харак­теризует то, что в каждой точке времени t средняя удельная мощность флюктуаций (то есть мощность переменной составляющей) одна и та же; зависимость от означает, что для стационарного процесса неважно, в каких точках t 1 и t 2 берутся сечения, важна разность между ними .

Если условие (2.7) не выполняется, то случайный процесс на­зывается нестационарным . Иногда о стационарности судят только по выполнению равенств (2.9), (2.10) и, соответ­ственно, (2.11) - (2.13). Говорят, что, если выполняются равенства (2.9) и (2.10), то процесс является стационарным, не интересуясь при этом, выполняется условие (2.7) или нет. Такой подход дает более широкое толкование стационарности.

Определение стационарного процесса в широком смысле является более приемлемым для решения практических задач, так как проще получать данные об одномерной и двумерной плотностях вероятнос­ти, чем о многомерной.

В строгом смысле физически не существует стационарных слу­чайных процессов, так как любой процесс должен начаться в опреде­ленный момент времени в прошлом и, вероятно, завершиться в неко­торый момент в будущем. Однако есть много физических ситуаций, когда статистические характеристики процесса не изменяются на интервале времени наблюдения. В этих случаях предположение о стационарности приводит к удобной математической модели, которая является достаточно точной аппроксимацией реальной ситуации.

Эргодическое свойство стационарных случайных процессов

Среди всех стационарных процессов имеется часть, которая об­ладает эргодическим свойством. Поясним это свойство. Пусть имеется одна длинная реализация x (t ) случайного процесса (t ). Эта реализация определена на интервале Найдем среднее значение этой реализации путем ее усреднения во времени на достаточно большом интервале:

(2.14)

где черта сверху означает усреднение по времени, среднее значение является постоянной величиной, не зависящей от t .

Аналогично можно найти среднее значение квадрата флюктуаций и среднее значение произведения флюктуаций, смещенных одна отно­сительно другой на интервал :

(2.15)

По своему физическому смыслу величины (2.14) - (2.16) являются числовыми характеристиками, совпадающими со средним зна­чением, дисперсией и корреляционной функцией процесса (t). Одна­ко они получены в результате усреднения во времени одной длин­ной реализации x(t) или функции от нее.

Говорят, что стационарный процесс обладает эргодическим свойством , если с вероятностью, близкой к еди­нице, числовые характеристики, полученные в результате усреднения одной длинной реализации по времени, равны этим же характеристи­кам, полученным в результате усреднения по ансамблю. При этом ус­реднением по ансамблю называют определение числовых характеристик с использованием плотности вероятности, то есть по формулам (2.11) - (2.13), так как плотность вероятности характеризует всю совокупность или ансамбль реализаций.

Таким образом, для эргодического стационарного процесса справедливы равенства:

, (2.17)

Само слово «эргодический»происходит от греческого «эргон», что означает «работа». Эргодическое свойство является удобной рабо­чей гипотезой для расчета числовых характеристик стационарного процесса, когда располагают одной длинной его реализацией. Физи­чески это обосновано тем, что одна длинная реализация может со­держать сведения обо всех реализациях этого случайного процесса.

Заметим, что стационарность процесса является необходимым, но недостаточным условием эргодичности. Это означает, что не все стационарные процессы являются эргодическими. В общем случае трудно, если только вообще возможно, дока­зать, что эргодичность - обоснованное допущение для какого-либо физического процесса, так как может наблюдаться только одна реа­лизация этого процесса. Тем не менее, обычно имеет смысл предполо­жить эргодичность процесса, если только отсутствуют веские доводы физического характера, препятствующие этому.

Стационарный случайный процесс

важный специальный класс случайных процессов, часто встречающийся в приложениях теории вероятностей к различным разделам естествознания и техники. Случайный процесс X (t) называется стационарным, если все его вероятностные характеристики не меняются с течением времени t (так что, например, распределение вероятностей величины X (t) при всех t является одним и тем же, а совместное распределение вероятностей величин X (t

зависит только от продолжительности промежутка времени t2≈t1, т. е. распределения пар величин {X (t1), X (t2)} и {X (t1 + s), X (t2 + s)} одинаковы при любых t1, t2и s и т.д.).

Схема С. с. п. с хорошим приближением описывает многие реальные явления, сопровождающиеся неупорядоченными флуктуациями. Так, например, пульсации силы тока или напряжения в электрической цепи (электрический «шум») можно рассматривать как С. с. п., если цепь эта находится в стационарном режиме, т. е. если все её макроскопические характеристики и все условия, вызывающие протекание через неё тока, не меняются во времени; пульсации скорости в точке турбулентного течения представляют собой С. с. п., если не меняются общие условия, порождающие рассматриваемое течение (т. е. течение является установившимся), и т.д. Эти и другие примеры С. с. п., встречающиеся в физике (в частности, гео- и астрофизике), механике и технике, стимулировали развитие исследований в области С. с. п.; при этом существенными оказались также и некоторые обобщения понятия С. с. п. (например, понятия случайного процесса со стационарными приращениями заданного порядка, обобщённого С. с. п. и однородного случайного поля).

В математической теории С. с. п. основную роль играют моменты распределении вероятностей значений процесса X (t), являющиеся простейшими числовыми характеристиками этих распределений. Особенно важны моменты первых двух порядков: среднее значение С. с. п. EX (t) = m ≈ математическое ожидание случайной величины X (t) и корреляционная функция С. с. п. EX (t1) X (t2)= B (t2≈t1) ≈ математическое ожидание произведения X (t1) X (t2) (просто выражающееся через дисперсию величин X (t) и коэффициент корреляции между X (t1) и X (t2); см. Корреляция). Во многих математических исследованиях, посвященных С. с. п., вообще изучаются только те их свойства, которые полностью определяются одними лишь характеристиками m и В (t) (т. н. корреляционная теория С. с. п.). В этой связи случайные процессы X (t), имеющие постоянное среднее значение EX (t) = m и корреляционную функцию В (t2, t1) = EX (t1) X (t2), зависящую только от t2 ≈ t1, часто называют С. с. п. в широком смысле (а более частные случайные процессы, все характеристики которых не меняются с течением времени, в таком случае называются С. с. п. в узком смысле).

Большое место в математической теории С. с. п. занимают исследования, опирающиеся на разложение случайного процесса X (t) и его корреляционной функции B (t2 ≈t1) = В (t) в интеграл Фурье, или Фурье ≈ Стилтьеса (см. Фурье интеграл). Основную роль при этом играет теорема Хинчина, согласно которой корреляционная функция С. с. п. X (t) всегда может быть представлена в виде

где F (l) ≈ монотонно неубывающая функция l (а интеграл справа ≈ это интеграл Стилтьеса); если же В (t) достаточно быстро убывает при |t|╝¥ (как это чаще всего и бывает в приложениях при условии, что под X (t) понимается на самом деле разность X (t) ≈ m), то интеграл в правой части (1) обращается в обычный интеграл Фурье:

где f (l) = F▓(l) ≈ неотрицательная функция. Функция F (l) называемая спектральной функцией С. с. п. X (t), а функция F (l) [в случаях, когда имеет место равенство (2)] ≈ его спектральной плотностью. Из теоремы Хинчина вытекает также, что сам процесс X (t) допускает спектральное разложение вида

где Z (l) ≈ случайная функция с некоррелированными приращениями, а интеграл справа понимается как предел в среднем квадратичном соответствующей последовательности интегральных сумм. Разложение (3) даёт основание рассматривать любой С. с. п. X (t) как наложение некоррелированных друг с другом гармонических колебаний различных частот со случайными амплитудами и фазами; при этом спектральная функция F (l) и спектральная плотность f (l) определяют распределение средней энергии входящих в состав X (t) гармонических колебаний по спектру частот l (в связи с чем в прикладных исследованиях функция f (l) часто называется также энергетическим спектром или спектром мощности С. с. п. X (t)).

Выделение понятия С. с. п. и получение первых относящихся к нему математических результатов являются заслугой Е. Е. Слуцкого и относятся к концу 20-х и началу 30-х гг. 20 в. В дальнейшем важные работы по теории С. с. п. были выполнены А. Я. Хинчиным, А. Н. Колмогоровым, Г. Крамером, Н. Винером и др.

Лит.: Слуцкий Е. Е., Избр. тр., М., 1960; Хинчин А. Я., Теория корреляции стационарных стохастических процессов, «Успехи математических наук», 1938, в. 5, с, 42≈51; Розанов Ю. А., Стационарные случайные процессы, М., 1963; Прохоров Ю. В., Розанов Ю. А., Теория вероятностей. (Основные понятия. Предельные теоремы. Случайные процессы), 2 изд., М., 1973; Гихман И. И., Скороход А. В., Теория случайных процессов, т. 1, М., 1971; Хеннан Э., Многомерные временные ряды, пер. с англ., М., 1974.

На практике очень часто встречаются случайные процессы, протекающие во времени приблизительно однородно и имеющие вид непрерывных случайных колебаний вокруг некоторого среднего значения, причем ни средняя амплитуда, ни характер этих колебаний не обнаруживают существенных изменений с течением времени. Такие случайные процессы называются стационарными.

В качестве примеров стационарных случайных процессов можно привести: 1) колебания самолета на установившемся режиме горизонтального полета; 2) колебания напряжения в электрической осветительной сети; 3) случайные шумы в радиоприемнике; 4) процесс качки корабля и т. п.

Каждый стационарный процесс можно рассматривать как продолжающийся во времени неопределенно долго; при исследовании стационарного процесса в качестве начала отсчета можно выбрать любой момент времени. Исследуя стационарный процесс на любом участке времени, мы должны получить одни и те же его характеристики. Образно выражаясь, стационарный процесс «не имеет ни начала, ни конца».

Примером стационарного случайного процесса может служить изменение высоты центра тяжести самолета на установившемся режиме горизонтального полета (рис. 17.1.1).

В противоположность стационарным случайным процессам можно указать другие, явно нестационарные, случайные процессы, например: колебания самолета в режиме пикирования; процесс затухающих колебаний в электрической цепи; процесс горения порохового заряда в реактивной камере и т. д. Нестационарный процесс характерен тем, что он имеет определенную тенденцию развития во времени; характеристики такого процесса зависят от начала отсчета, зависят от времени.

На рис. 17.1.2 изображено семейство реализаций явно нестационарного случайного процесса - процесса изменения тяги двигателя реактивного снаряда во времени.



Заметим, что далеко не все нестационарные случайные процессы являются существенно нестационарными на всем протяжении своего развития. Существуют нестационарные процессы, которые (на известных отрезках времени и с известным приближением) могут быть приняты за стационарные.

Например, процесс наводки перекрестия авиационного прицела на цель есть явно нестационарный процесс, если цель за короткое время с большой и резко меняющейся угловой скоростью проходит поле зрения прицела. В этом случае колебания оси прицела относительно цели не успевают установиться в некотором стабильном режиме; процесс начинается и заканчивается, не успев приобрести стационарный характер. Напротив, процесс наводки перекрестия прицела па неподвижную или движущуюся с постоянной угловой скоростью цель через некоторое время после начала слежения приобретает стационарный характер.

Вообще, как правило, случайный процесс в любой динамической системе начинается с нестационарной стадии - с так называемого «переходного процесса». После затухания переходного процесса система обычно переходит на установившийся режим, и тогда случайные процессы, протекающие в ней, могут считаться стационарными.

Стационарные случайные процессы очень часто встречаются в физических и технических задачах. По своей природе эти процессы проще, чем нестационарные, и описываются более простыми характеристиками. Линейные преобразования стационарных случайных процессов также обычно осуществляются проще, чем нестационарных. В связи с этим на практике получила широкое применение специальная теория стационарных случайных процессов, или, точнее, теория стационарных случайных функций (так как аргументом стационарной случайной функции в общем случае может быть и не время). Элементы этой теории и будут изложены в данной главе.

Случайная функция называется стационарной, если все ее вероятностные характеристики не зависят от (точнее, не меняются при любом сдвиге аргументов, от которых они зависят, по оси ).

В данном элементарном изложении теории случайных функций мы совсем не пользуемся такими вероятностными характеристиками, как законы распределения: единственными характеристиками, которыми мы пользуемся, являются математическое ожидание, дисперсия и корреляционная функция. Сформулируем определение стационарной случайной функции в терминах этих характеристик.

Так как изменение стационарной случайной функции должно протекать однородно по времени, то естественно потребовать, чтобы для стационарной случайной функции математическое ожидание было постоянным:

. (17.1.1)

Заметим, однако, что это требование не является существенным: мы знаем, что от случайной функции всегда можно перейти к центрированной случайной функции , для которой математическое ожидание тождественно равно нулю и, следовательно, удовлетворяет условию (17.1.1). Таким образом, если случайный процесс нестационарен только за счет переменного математического ожидания, это не мешает нам изучать его как стационарный процесс.

Второе условие, которому, очевидно, должна удовлетворять стационарная случайная функция, - это условие постоянства дисперсии:

. (17.1.2)

Установим, какому условию должна удовлетворять корреляционная функция стационарной случайной функции. Рассмотрим случайную функцию (рис. 17.1.3).



Положим в выражении и рассмотрим - корреляционный момент двух сечений случайной функции, разделенных интервалом времени . Очевидно, если случайный процесс действительно стационарен, то этот корреляционный момент не должен зависеть от того, где именно на оси мы взяли участок , а должен зависеть только от длины этого участка. Например, для участков и на рис. 17.1.3, имеющих одну и ту же длину , значения корреляционной функции и должны быть одинаковыми. Вообще, корреляционная функция стационарного случайного процесса должна зависеть не от положения первого аргумента на оси абсцисс, а только от промежутка между первым и вторым аргументами:

. (17.1.3)

Следовательно, корреляционная функция стационарного случайного процесса есть функция не двух, а всего одного аргумента. Это обстоятельство в ряде случаев сильно упрощает операции над стационарными случайными функциями.

Заметим, что условие (17.1.2), требующее от стационарной случайной функции постоянства дисперсии, является частным случаем условия (17.1.3). Действительно, полагая в формуле (17.1.3) имеем

Таким образом, условие (17.1.3) есть единственное существенное условие, которому должна удовлетворять стационарная случайная функция.

Поэтому в дальнейшем мы под стационарной случайной функцией будем понимать такую случайную функцию, корреляционная функция которой зависит не от обоих своих аргументов и , а только от разности между ними. Чтобы не накладывать специальных условий на математическое ожидание, мы будем рассматривать только центрированные случайные функции.

Мы знаем, что корреляционная функция любой случайной функции обладает свойством симметрии:

.

Отсюда для стационарного процесса, полагая , имеем:

, (17.1.5)

т. е. корреляционная функция есть четная функция своего аргумента. Поэтому обычно корреляционную функцию определяют только для положительных значений аргумента (рис. 17.1.4).



На практике, вместо корреляционной функции , часто пользуются нормированной корреляционной функцией

где - постоянная дисперсия стационарного процесса. Функция есть не что иное, как коэффициент корреляции между сечениями случайной функции, разделенными интервалом по времени. Очевидно, что .

В качестве примеров рассмотрим два образца приблизительно стационарных случайных процессов и построим их характеристики.

Пример 1. Случайная функция задана совокупностью 12 реализаций (рис. 17.1.5).



а) Найти ее характеристики , , и нормированную корреляционную функцию . б) Приближенно рассматривая случайную функцию как стационарную, найти ее характеристики.

Решение. Так как случайная функция меняется сравнительно плавно, можно брать сечения не очень часто, например через 0,4 сек. Тогда случайная функция будет сведена к системе семи случайных величин, отвечающих сечениям . Намечая эти сечения на графике и снимая с графика значения случайной функции в этих сечениях, получим таблицу (табл. 17.1.1).

Таблица 17.1.1

№ реализации

На графике рис. 17.1.5 математическое ожидание показано жирной линией.

Далее находим оценки для элементов корреляционной матрицы: дисперсий и корреляционных моментов. Вычисления удобнее всего производить по следующей схеме. Для вычисления статистической дисперсии суммируются квадраты чисел, стоящих в соответствующем столбце; сумма делится на ; из результата вычитается квадрат соответствующего математического ожидания. Для получения несмещенной оценки результат множится на поправку . Аналогично оцениваются корреляционные моменты. Для вычисления статистического момента, отвечающего двум заданным сечениям, перемножаются числа, стоящие в соответствующих столбцах; произведении складываются алгебраически; полученная сумма делится на ; из результата вычитается произведение соответствующих математических ожиданий; для получения несмещенной оценки корреляционного момента результат множится на . При выполнении расчетов на счетной машине или арифмометре промежуточные результаты умножений не записываются, а непосредственно суммируются. Полученная таким способом корреляционно матрица системы случайных величин - она же таблица значений корреляционной функции - приведена в таблице 17.1.2.

Таблица 17.1.2.

По главной диагонали таблицы стоят оценки дисперсий:

Извлекая из этих величин квадратные корни, найдем зависимость среднего квадратического отклонения от времени:

Деля значения, стоящие в табл. 17.1.2, на произведения соответствующих средних квадратических отклонений, получим таблицу значений нормированной корреляционной функции (табл. 17.1.3).

Таблица 17.1.3