平稳时间序列的相关概念
(一)兩種不同的平穩性定義
1.嚴平穩過程
若對于時間ttt的任意nnn個值t1<t2<?<tnt_1<t_2<\cdots<t_nt1?<t2?<?<tn?,序列中的隨機變量Xt1+s,Xt2+s,...,Xtn+sX_{t_1+s},X_{t_2+s},...,X_{t_n+s}Xt1?+s?,Xt2?+s?,...,Xtn?+s?聯合分布與整數sss無關,即有:
Ft1,t2,...tn(Xt1,Xt2,...,Xtn)=Ft1+s,t2+s,...,tn+s(Xt1+s,Xt2+s,...,Xtn+s)F_{t_1,t_2,...t_n}(X_{t_1},X_{t_2},...,X_{t_n})=F_{{t_1+s},{t_2+s},...,{t_n+s}}({X_{t_1+s},X_{t_2+s},...,X_{t_n+s}}) Ft1?,t2?,...tn??(Xt1??,Xt2??,...,Xtn??)=Ft1?+s,t2?+s,...,tn?+s?(Xt1?+s?,Xt2?+s?,...,Xtn?+s?)
則稱{Xt}\{X_t\}{Xt?}為嚴平穩/狹義平穩/強平穩過程。
嚴平穩的概率分布與時間無關。
2.寬平穩過程
如時間序列有有窮的二階矩,且{Xt}\{X_t\}{Xt?}滿足一下兩個條件:
(1)μt=E(Xt)=c(2)γ(t,s)=E(Xt?c)(Xs?c)=γ(t?s,0)\begin{array}{lcl} (1)\mu_t=E(X_t)=c\\ (2)\gamma(t,s)=E(X_t-c)(X_s-c)=\gamma(t-s,0) \end{array} (1)μt?=E(Xt?)=c(2)γ(t,s)=E(Xt??c)(Xs??c)=γ(t?s,0)?
則稱該時間序列為寬平穩過程。
寬平穩過程各隨機變量的均值為常數,且任意兩個變量的協方差僅與時間間隔(t?s)(t-s)(t?s)有關。
3.嚴平穩過程和寬平穩過程的聯系和區別
區別:
(1)嚴平穩的概率分布隨時間的平移而不變,寬平穩序列的均值和自協方差隨時間的平移而不變。
(2)一個嚴平穩序列,不一定是寬平穩序列;一個寬平穩序列也不一定是嚴平穩序列。
聯系:
(1)若一個序列為嚴平穩序列,且有有窮的二階矩,那么該序列也必為寬平穩序列。
(2)若時間序列為正態序列(即它的任何有限維分布都是正態分布),那么該序列為嚴平穩序列和寬平穩序列是相互等價的。
(二)時間序列的分布、均值和協方差函數
1.時間序列的概率分布
由于確定時間序列的分布函數一般不可能,人們更加注意使用時間序列的各種特征量的描述,如均值函數、協方差函數、自相關函數、偏自相關函數等,這些特征量往往能代表隨機變量的主要特征。
2.均值函數
一個時間序列{Xt,t=0,t=±1,t=±2,....,}\{X_t,t=0,t=\pm1,t=\pm2,....,\}{Xt?,t=0,t=±1,t=±2,....,}的均值函數指:
μt=E(Xt)=∫?aaXd(Ft(Xt))\mu_t=E(X_t)=\int_{-a}^{a} X\, d(F_t(X_t)) μt?=E(Xt?)=∫?aa?Xd(Ft?(Xt?))
μt\mu_tμt?即為{Xt}\{X_t\}{Xt?}的均值函數,它實質上是一個實數列,均值表示隨機過程在各個時刻的擺動中心。
3.自協方差函數
γ(t,s)=E(Xt?μt)(Xs?μs)=∫?aa∫?aa(x?μt)(y?μs)dFt,s(x,y)\gamma(t,s)=E(X_t-\mu_t)(X_s-\mu_s)=\int_{-a}^{a}\int_{-a}^{a} (x-\mu_t)(y-\mu_s)\, dF_{t,s}(x,y) γ(t,s)=E(Xt??μt?)(Xs??μs?)=∫?aa?∫?aa?(x?μt?)(y?μs?)dFt,s?(x,y)
對稱性:γ(t,s)=γ(s,t)\gamma(t,s)=\gamma(s,t)γ(t,s)=γ(s,t)
4.自相關函數
ρ(t,s)=γ(t,s)γ(t,t)γ(s,s)\rho(t,s)=\frac{\gamma(t,s)}{\sqrt{\gamma(t,t)\gamma(s,s)}} ρ(t,s)=γ(t,t)γ(s,s)?γ(t,s)?
自相關函數描述了時間序列的{Xt}\{X_t\}{Xt?}自身的相關結構。
時間序列的自相關函數具有對稱性,且有ρ(t,t)=1\rho(t,t)=1ρ(t,t)=1
(三)平穩序列的自協方差和自相關函數
1.平穩序列的自協方差函數和自相關函數
若{Xt}\{X_t\}{Xt?}為平穩序列,假定EXt=0EX_t=0EXt?=0,則我們可以用以下記號表示平穩序列的自協方差函數。
γk=E(Xt?EXt)(Xt?k?EXt?k)=EXtXt?k\gamma_k=E(X_t-EX_t)(X_{t-k}-EX_{t-k})=EX_tX_{t-k} γk?=E(Xt??EXt?)(Xt?k??EXt?k?)=EXt?Xt?k?
相應的,嚴平穩序列的自相關函數記為:
ρk=γkγ0\rho_k=\frac{\gamma_k}{\gamma_0} ρk?=γ0?γk??
2.平穩序列的自協方差序列和自相關函數列的性質
(1)γk=γ?kρk=ρ?k(2)γk≤∣γ0∣∣ρk∣≤1\begin{array}{lcl} (1)\gamma_k=\gamma_{-k}\qquad \rho_k=\rho_{-k}\\ (2)\gamma_k≤|\gamma_0|\qquad |\rho_k|≤1 \end{array} (1)γk?=γ?k?ρk?=ρ?k?(2)γk?≤∣γ0?∣∣ρk?∣≤1?
(四)白噪聲序列和獨立同分布序列
1.白噪聲序列
定義:若時間序列{Xt}\{X_t\}{Xt?}滿足下列性質,
(1)EXt=0(2)EXtXs={σ2,t=s0,t≠s\begin{array}{lcl} (1)EX_t=0\\ (2)EX_tX_s=\begin{cases}\sigma^2,t=s\\0,t≠s\end{cases} \end{array} (1)EXt?=0(2)EXt?Xs?={σ2,t=s0,t?=s??
則稱此序列為白噪聲序列。
白噪聲序列是一種特殊的寬平穩序列,也是一種最簡單的平穩序列。
2.獨立同分布序列
定義:如果時間序列{Xt}\{X_t\}{Xt?}中的隨機變量Xt,t=0,±1,±2,...X_t,t=0,\pm1,\pm2,...Xt?,t=0,±1,±2,...是相互獨立的隨機變量,且XtX_tXt?具有相同的分布(當XtX_tXt?有一階矩時,往往還假定EXt=0EX_t=0EXt?=0),則稱{Xt}\{X_t\}{Xt?}為獨立同分布序列。
獨立同分布序列{Xt}\{X_t\}{Xt?}是一個嚴平穩序列
一般來說,白噪聲序列與獨立同分布序列是不同的兩種序列。
但是當白噪聲序列為正態序列時,它也是獨立同分布序列,此時我們稱其為正態白噪聲序列。
總結
以上是生活随笔為你收集整理的平稳时间序列的相关概念的全部內容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 线性调频信号的脉冲压缩(匹配滤波)
- 下一篇: C语言正交表测试用例,测试用例设计之正交