Исследование точности прогнозирования случайного процесса с использованием метода наименьших квадратов. Анализ расхождения между трендом и прогнозом, последующая оценка близости распределения расхождений наблюдений и распределения сгенерированного шума.
Краткое сожержание материала:

23

Министерство общего и профессионального образования

Московский Авиационный институт (государственный технический университет) «МАИ»

ОТЧЕТ

О НАУЧНО-ИССЛЕДОВАТЕЛЬСКОЙ РАБОТЕ

Курсовой проект по теории вероятностей и математической статистике

по теме

«Прогнозирование функций по методу наименьших квадратов»

Москва 2009

Реферат

В отчете содержится: 24 формулы, 10 рисунков.

Ключевые слова: тренд прогноза, логнормальный закон, шум, критерий ч²-Пирсона, проверка гипотез, оценки расхождения.

Целью данной работы было исследование точности прогнозирования случайного процесса с использованием метода наименьших квадратов. Для этого проводился машинный эксперимент с использованием программы Mathcad 14. Основой для построения случайной функции являлась линейная функция, на которую был наложен случайный шум, распределенный по логнормальному закону с параметрами М[шума]=0 (математическое ожидание шума) и D[шума]=D (дисперсия шума). После чего полученная случайная функция аппроксимировалась линейным трендом, а также исследовалось расхождение между трендом и прогнозом с последующей оценкой близости распределения расхождений наблюдений и распределения сгенерированного шума по критерию ч²-Пирсона.

Определения и формулы

Математическим ожиданием P(о=x_i) дискретной случайной величины о называется сумма парных произведений всех возможных значений случайной величины на соответствующие им вероятности, т.е:

, (1)

где х_i - значение случайной величины, p_i - вероятность этого значения, n - общее число значений.

Математическим ожиданием P(о=x_i) непрерывной случайной величины о с плотностью распределения ц(x) называется число, определяемое равенством:

, (2)

где ц(x) - плотность распределения случайной величины.

Дисперсией (рассеянием) случайной величины называется математическое ожидание квадрата ее отклонения от ее математического ожидания:

(3)

Для непрерывной случайной величины формула (3) будет представлена в виде:

 (4)

Среднее квадратичное отклонение(СКО) - это статистическая величина, описывающая разброс значений изучаемой величины вокруг ее ожидаемого значения:

(5)

В математической статистике оперируют оценками числовых характеристик, которые ищутся по случайной выборке. В отличие от самих параметров, оценки содержат элемент случайности. К оценкам параметров предъявляют определенные требования:

а) состоятельность - оценка, соответствующая этому требованию, с увеличением объема выборки сходится по вероятности к самому параметру;

б) несмещенность - математическое ожидание такой оценки равно оцениваемому параметру;

в) эффективность - дисперсия эффективной оценки минимальна.

Оценка математического ожидания ищется по формуле:

, (6)

где n - объем случайной выборки. Оценка, вычисленная по формуле (6), называется так же статистическим средним.

Оценка дисперсии вычисляется по формуле:

, (7)

где m - оценка математического ожидания случайной величины.

Оценка С.К.О. вычисляется по формуле:

, (8)

т.е. корень квадратный из оценки дисперсии.

При генерации шума мы используем два закона: нормальное и логнормальное распределение.

Нормальный закон: Нормальным называется распределение вероятностей непрерывной случайной величины, которое описывается плотностью вероятности:

(9)

Функция распределения F(x) в рассматриваемом случае принимает вид:

(10)

График 1 - распределение плотности вероятности нормального закона:

Рисунок 1. Плотность вероятности нормального закона

Говорят, что случайная величина X имеет логнормальное распределение с параметрами м, у, если X = exp(Y), где Y имеет нормальное распределение с параметрами м, у. Случайная величина с логнормальным распределением является непрерывной, и принимает только положительные значения. Графики плотности (привязан к левой вертикальной оси ординат) и функции (привязан к правой оси ординат) логнормального распределения с параметрами м = 0, у = 0.7 приведен на следующем рисунке 2:

Рисунок 2. Логнормальное распределение

Плотность распределения логнормального закона:

(11)

Функция распределения:

(12)

Для определения степени расхождения теоретической кривой и статистических данных пользуются критериями согласия. Наиболее часто для проверки гипотезы о законе распределения используются 2 критерия: критерий л-Колмогорова и критерий ч²-Пирсона.

Расчетное значение для критерия ч²-Пирсона вычисляется по формуле:

, где (13)

- (14)

вероятность попадания в интервал разбиения с номером i, m_i - число значений функции в интервале разбиения, m, у - математическое ожидание и с.к.о. случайной величины X, Ц^* - интеграл вероятностей.

Чтобы определить функциональную зависимость между величинами по результатам наблюдений, используем метод наименьших квадратов (МНК):

Пусть из опыта получены точки:

x1, y1,

xn, yn

Требуется найти уравнение прямой y=ax+b (15), наилучшим образом согласующейся с опытными точками. Пусть мы нашли такую прямую. Обозначим через д_i расстояние опытной точки от этой прямой (измеренное параллельно оси y).

Из уравнения (15) следует, что:

(16)

Чем меньше числа по абсолютной величине, тем лучше подобрана прямая (15). В качестве характеристики точности подбора прямой (15) можно принять сумму квадратов:

(17)

Покажем, как можно подобрать прямую (15) так, чтобы сумма квадратов S была минимальной. Из уравнений (16) и (17) получаем:

(18)

Условия минимума S будут равны для линейной функции:

(19)

(20)

Уравнения (19) и (20) можно записать в таком виде:

 (21)

(22)

По уравнениям (21) и (22) легко найти a и b по опытным значениям x_i и y_i. Прямая (15), определяемая уравнениями (21) и (22), называется прямой, полученной по методу наименьших квадратов (этим названием подчеркивается то, что сумма квадратов S имеет минимум). Уравнения (21) и (22), из которых определяется прямая (15), называются нормальными уравнениями.

Введение

В качестве тренда процесса был выбран линейный тренд вида

Y=at+b, (23)

где а=1, b=2. Тренд процесса показан на рисунке 3.

Рисунок 3. График тренда

График прямой с учетом сгенерированного шума по логнормальному закону выглядит так:.

Рисунок 4. График прямой с учетом шума.

Наша задача в курсовом проекте заключается в определении насколько сильно шум влияет на прогнозирование. Для этого мы определяем расхождения между трендом и прогнозом и оцениваем степень расхождения из-за шума по критерию Пирсона

1. Построение прямой аппроксимирующей свойства тренда с помощью МНК

Наша ошибка сгенерирована по логнормальному закону с математическим ожиданием равным 0 и дисперсией равной 1. Гистограмма распределения шума представлена на рисунке 5.

Рисунок 5. (Гистограмма распределения значений шума по интервалам).

С помощью формул (21) и (22) вычислим коэффициенты линейного уравнения тренда с учетом шума с помощью метода МНК:

По найденным коэффициентам строим график прямой, которая аппроксимирует основные свойства линейного тренда. График показан на рисунке 6:



Рисунок 6. (Прямая, построенная по методу наименьших квадратов).

2. Прогнозирование дальнейшего продвижения тренда

Наша задача состоит в том, чтобы спрогнозировать дальнейшее поведение уравнения тренда и определить расхождения с спрогнозированными значениями.

Для этого увеличиваем участок наблюдения за линейным трендом без шума до ф =2t=50

График расхождения исходного тренда и аппроксимированного тренда по МНК виден на рисунке 7. (Y_ф - исходный тренд; Z_ф - аппроксимированный тренд по МНК)

Рисунок 7 (На рисунке показаны тренд и аппроксимирующая его свой...