Главная страница
Навигация по странице:

  • Прогноз по математическому ожиданию

  • Статистический прогноз по одной точке

  • Прогнозирование случайных процессов. Прогнозирование случайных процссов. Постановка задачи


    Скачать 102 Kb.
    НазваниеПостановка задачи
    АнкорПрогнозирование случайных процессов
    Дата23.10.2019
    Размер102 Kb.
    Формат файлаdocx
    Имя файлаПрогнозирование случайных процссов.docx
    ТипДокументы
    #91614
    страница2 из 3
    1   2   3
    когда R(∞) = 0.

    Хорош или плох этот способ прогноза, можно будет ска­зать, лишь сравнив ошибку данного с ошибками других алгоритмов. Простота же этого способа обеспечила ему пока что наибольшее распространение как в технике управ­ления, где данные об управляемом процессе хранятся в ЗУ и считываются в момент выработки управляющего воз­действия, так и в быту, когда, взглянув утром на термометр за окном, мы и несколько часов спустя ориентируемся на ту же температуру
    Прогноз по математическому ожиданию
    Прогнозирование по математическому ожиданию заключается в том, что в качестве предсказанного значения принимается математическое ожидание процесса тх:



    Как и в предыдущем случае, предсказанное значение здесь не зависит от времени прогноза θ. Однако различие заключается в том, что хотя информации о предыстории не требуется никакой, нужны некоторые сведения о свойствах процесса — о его математическом ожидании. Алгоритм прог­ноза не требует выполнения никаких вычислительных опе­раций. Ошибка прогноза здесь имеет вид:

    е (θ)= X (t + θ) — тх

    и представляет собой отклонение процесса от среднего в момент t0 + θ.

    Средний квадрат ошибки не зависит от времени прог­ноза и равен дисперсии процесса:


    На рис. 2 совмещены зависимости е2 (θ) прогноза по пос­леднему значению и прогноза по математическому ожиданию.



    Рис. 2



    При малых временах прогноза θ первый способ явно предпочтительней, од­нако после θ *, когда е2(θ *)= σx2 второй способ дает большую точность. Наконец, при θ → ∞ квад­рат ошибки прогноза по среднему вдвое меньше, чем по последнему отсчету.


    Эти соотношения пол­ностью соответствуют ин­туитивным представлениям о прогнозе. Так, предсказывая погоду на несколько бли­жайших часов, мы, как правило, ориентируемся на ее теку­щее состояние, совершенно игнорируя многолетние средние метеорологические данные, а пытаясь предвидеть весной погоду во время летних каникул, напротив, не смотрим на термометр.

    Естественно ожидать, что алгоритм прогноза, в кото­рый вошли бы как значения предыстории процесса, так и его вероятностные характеристики, окажется точнее, чем оба описанных.
    Статистический прогноз по одной точке
    Эргодичный процесс может быть исчерпывающе описан как ансамблем реализаций, так и одной реализацией неограниченной длительности.

    Сечения ансамбля представляют собой случайные величины, функция распределения которых отождествляется с одномерной функцией распределения процесса.

    Обозначим случайную величину X (t0) — сечение про­цесса в момент t0 через X, а сечение X (t0 + θ) — через Y и будем рассматривать систему (ХY) двух случайных ве­личин — последнего значения предыстории и предсказан­ного значения. Прогнозирующий алгоритм сформирован так, что в качестве предсказанного значения назначает условное математическое ожидание величины Y при условии, что X=X(t0):



    Ошибка прогноза



    представляет собой отклонение случайной величины Y от своего условного математического ожидания, а средний квадрат ошибки



    равен условной дисперсии .

    Тогда

    (3)

    и

    (4)

    Поскольку процесс X(t) стационарен, математические ожидания и дисперсии сечений одинаковы:

    σy = σx = σ; mу = mх = т.

    Коэффициент корреляции rху равен значению нормиро­ванной корреляционной функции в θ;



    Теперь алгоритм прогноза принимает вид:

    (5)

    а средний квадрат ошибки оказывается зависящим от θ:

    (6)

    Алгоритм предполагает знание отклонения процесса от среднего в момент t0, т. е. одной точки предыстории, зна­чения нормированной корреляционной функции ρ(θ) и математического ожидания.

    На рис. 3, а изображена предыстория процесса X(t), а на рис. 3, б - его нормированная корреляционная функ­ция ρ(θ). Прогноз производится на время θ1, θ2, ... θi, ... Точки, соединенные пунктиром на рис. 3, а, представляют собой предсказанные значения



    — произведения отклонения X(t0)тх на ρ(θ1), ρ(θ2)...

    Нетрудно заметить, что при малых θ, когда ρ(θ) ≈ 1, предсказанные значения мало отличаются от последнего отсчета: , т. е. алгоритм работает, как при прогнозе нулевого порядка.

    Рис.3

    С ростом θ ρ(θ) по абсолютной величине убывает, пред­сказанные значения все меньше отличаются от математи­ческого ожидания процесса тх, а при θ→∞, когда ρ() =0,



    т. е. алгоритм осуществляет прог­ноз по математическому ожиданию.

    Фактически корреляционная функция приходит к нулю в конечное время — в течение интервала корреляции τ0, о котором было сказано выше.

    Если процесс X (t) — белый шум и его корреляционная функция равна нулю всюду, кроме τ = 0, алгоритм (5) для любого значения 0 предскажет

    .

    Проследим за изменением (см. рис. 2).

    При θ = 0, когда ρ(0)= 1, е2(0) = 0. При θ =
    1   2   3


    написать администратору сайта