BAKALÁŘSKÁ PRÁCE Dana Králová Vybrané problémy v ...
BAKALÁŘSKÁ PRÁCE Dana Králová Vybrané problémy v ...
BAKALÁŘSKÁ PRÁCE Dana Králová Vybrané problémy v ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
UniverzitaKarlovavPraze<br />
Matematicko-fyzikálnífakulta<br />
<strong>BAKALÁŘSKÁ</strong><strong>PRÁCE</strong><br />
<strong>Dana</strong><strong>Králová</strong><br />
<strong>Vybrané</strong><strong>problémy</strong>vperiodickýchčasových<br />
řadách<br />
Katedrapravděpodobnostiamatematickéstatistiky<br />
Vedoucíbakalářsképráce:Mgr.PetrŠimeček,Ph.D.<br />
Studijníprogram:Matematika<br />
Studijníobor:Obecnámatematika<br />
Studijníplán:Ekonometrie<br />
2008
UpřímněděkujivedoucímusvébakalařsképráceMgr.PetruŠimečkovi,Ph.D.<br />
zavýběrzajímavéhotémaapředevšímzavelkoupomocpřitvorbětohoto<br />
textu.<br />
Prohlašuji,žejsemsvoubakalářskouprácinapsalasamostatněavýhradně<br />
spoužitímcitovanýchpramenů.Souhlasímsezapůjčovánímpráceajejímzveřejňováním.<br />
VPrazedne <strong>Dana</strong><strong>Králová</strong><br />
2
Obsah<br />
1 Základnípojmyametody 6<br />
1.1 Základnípojmyametody ..................... 6<br />
2 Odhadrozptylušumu 11<br />
2.1 Známáperioda ........................... 11<br />
2.2 Známýúzkýinterval,dokteréhoperiodaspadá . ........ 12<br />
2.3 Neznámáperioda . ......................... 13<br />
2.4 Měřenáveličinajezaokrouhlena . ................. 15<br />
2.5 Trend ................................ 15<br />
3 Výpočetodhadurozptylušumu 17<br />
3.1 Výpočet . .............................. 17<br />
3.2 Výsledky. .............................. 23<br />
Literatura 27<br />
3
Názevpráce:<strong>Vybrané</strong><strong>problémy</strong>vperiodickýchčasovýchřadách<br />
Autor:<strong>Dana</strong><strong>Králová</strong><br />
Katedra:Katedrapravděpodobnostiamatematickéstatistiky<br />
Vedoucíbakalářsképráce:Mgr.PetrŠimeček,Ph.D.<br />
e-mailvedoucího:simecek@gmail.com<br />
Abstrakt:Předloženáprácesezabýváperiodickýmičasovýmiřadami,které<br />
obsahujíšum.Hlavnímcílemjeodhadnoutrozptyltohotošumu.Textobsahujemetodyprovýpočetodhadurozptylušumuvpětirůznýchsituacích:hodnotaperiodyčasovéřadyjeznámá;jeznámúzkýintevalobsahujícíperiodu;velikostperiodyjeneznámá;měřenéveličinyperiodickéčasovéřadyjsou<br />
zaokrouhlenyaperiodickáčasovářadamáještěnavíctrendovousložku.Práce<br />
zahrnujetakédemonstracinavrženýchmetodnadatechaprogramyprovýpočetníprostředíR.<br />
Klíčováslova:odhadrozptylu,aproximacesplinem,časovéřady.<br />
Title:Selectedproblemsinperiodicaltimeseries<br />
Author:<strong>Dana</strong><strong>Králová</strong><br />
Department:DepartmentofProbabilityandMathematicalStatistics<br />
Supervisor:Mgr.PetrŠimeček,Ph.D.<br />
Supervisor’se-mailaddress:simecek@gmail.com<br />
Abstract:Thethesisisdevotedtotimeserieswithrandomnoise.Themain<br />
aimistoestimatethevarianceofthisnoise.Theworkcontainsmethodsforestimationofthevarianceofnoiseinfivedifferentsituations:alengthoftime<br />
seriesperiodisknown;anarrowintervalcontainingperiodisknown;alength<br />
ofperiodisunknown;valuesoftimeseriesareroundedandtimeserieshas<br />
atrend.Theworkalsocomprisesademonstrationofproposedmethodsonreal<br />
dataandprogramsforthestatisticalenvironmentR.<br />
Keywords:estimationofvariance,approximationbyspline,timeseries.<br />
4
Úvod<br />
Tatoprácepojednáváometodáchproodhadrozptylušumuvperiodickýchčasovýchřadách.Původnímotivacepocházíztechnickýchřad(kalibracegyroskopu),předevšímsetedyzaměříme<br />
na„dlouhéčasovéřady(řádovědesetiticíceměřeníavíce).<br />
Vprvníkapitolenaleznetevysvětlenízákladníchpojmůametod,sekterýmibudemevnásledujícímtextupracovat.<br />
Druhákapitolapopisujenavrženémetodyproodhadrozptylu<br />
šumu.Nejprvesezabývámesituací,kdyjeznámávelikostperiody<br />
časovéřady.Následujepřípad,kdyznámepouzeúzkýinterval,<br />
kterýobsahujeperiodu.Vdalšíčástipočítámeodhadrozptylu<br />
šumupřizcelaneznáméperiodě.Potépracujemesřadou,jejíž<br />
měřeníjsouzaokrouhlena.Anazávěrsesituaceztížítím,žeperiodickáčasovářadaobsahujenavícještětrendovousložku.Třetíkapitolasezabývátestovánímnavrženýchmetodnadatech,zkoumá,jakjsoumetodyúčinnéprořadysrůznýmispecifickýmivlastnostmiapopisujepostupvýpočtuvprostředíR,[8].<br />
Programyprovýpočetavzorovádatanaleznetenapřiloženém<br />
CD.<br />
5
Kapitola1<br />
Základnípojmyametody<br />
Vtétokapitolejsouvysvětlenyzákladnípojmyametody,kterése<br />
vtétobakalářsképrácivyskytují.Jsouzdepopsányčasovéřady<br />
ajejichspeciálnípřípady,jakojsoupravidelnéčasovéřadyaperiodickéčasovéřady.Dálesevtétočástibudemevěnovatdekompozicičasovýchřad,šumu,aproximacipomocísplinůaspektrální<br />
analýze.Připopisupojmůvtétokapitolejsemčerpalapředevším<br />
zknihyBrokwellaDavis[3].<br />
1.1 Základnípojmyametody<br />
Časovářadajeposloupnostpozorování,kterébylynaměřenyvurčitýchčasovýchokamžicích.Jakopříkladčasovéřadysiuvedemezisknějakéhopodnikuzakaždýrokčinaměřenouteplotunaurčitémmístězajednotlivédny.Správněbychommělirozlišovatmezičasovouřadoujakonáhodnouveličinouajejírealizací.Alevpřípadech,ženebudehrozit<br />
nebezpečízáměny,budemevoboupřípadechpoužívatznačení<br />
y1, y2,..., yn, (1.1)<br />
kdenjepřirozenéčísloudávajícídélkuřady.Ačas,kdybylo<br />
získánoměření yi,námbudeznačitvýraz tiproi=1,2,...,n.<br />
Propřehlednostjepožadováno,abyplatilo<br />
t1 < t2
Pravidelnáčasovářadajespeciálnípřípadčasovéřady,kdyjsou<br />
pozorovánírozmístěnavčasepravidelně.Tedyplatíprovšechna<br />
i=1,2,...,n-1:<br />
ti+1= ti+δ,<br />
kde δjekonstantníkladnéčíslo.<br />
Dekompozicečasovýchřadjemetoda,kdysijednotlivápozorovánířadyrozepíšemedovícesložeksespecifickýmivlastnostmi.<br />
Tentorozkladnámpakmůžepomocipřidalšímzkoumáníčasové<br />
řady.<br />
Vtétoprácisebudounejčastějivyskytovatčasovéřady,jejichž<br />
hodnotylzevyjádřitvetvaru<br />
yi= f(ti)+ei, i=1,2, ..., n. (1.2)<br />
Zde f je neznámá spojitá hladká periodická funkce a řadu ei<br />
(i=1,2,...,n),tvořínezávisléstejněrozdělenénáhodnéveličiny<br />
(iid),kterémajínulovoustředníhodnotouakonstantnírozptyl.<br />
Náhodnéveličiny eisenazývajíšumapředstavujíchybuměření.<br />
Řadu,kteroumůžemevyjádřitvevýšezmíněnémtvaru(1.2),<br />
budemenazývatperiodickáčasovářada.<br />
Myvtomtotextubudemestudovatpřípad,kdyměřímeurčitou<br />
hodnotuvpravidelnýchčasech,kdispozicimámepoměrněvelký<br />
početpozorováníaměřenáhodnotamáperiodickéchování.Tedy<br />
budemepracovatspravidelnouperiodickoučasovouřadou,jejíž<br />
délka njevysoképřirozenéčíslo.<br />
Trendmůžebýtdalšísložkavdekompozicičasovéřady.Vknize<br />
Cipra[4]naleznemevýstižnýpopistétosložky:„Trendodrážídlouhodobézměnyvprůměrnémchováníčasovéřady(např.dlouhodobý<br />
růst nebo dlouhodobý pokles). Je možné si představit, že<br />
trendovásložkavznikávdůsledkupůsobenísil,kterésystematicky<br />
působívestejnémsměru.<br />
Utechnickýchměřenítomůžebýtnapříkladvychýlenígyroskopuzpůsobenévyššíteplotou.<br />
7
Splinesmoothing(vyhlazenísplinem)jemetoda,kdynaměřené<br />
hodnoty(y1, y2,..., yn)zatíženéchybouchcemeproložitaproximačnífunkcí<br />
g,přičemžuvažujemefunkceznějakédanérodiny,<br />
nejčastějikubickéspliny.<br />
Obvyklámíra,kteráudávájakpřesněaproximujefunkce g<br />
danéhodnoty,jereziduálnísoučetčtvercůchyb<br />
n<br />
(g(ti) − yi) 2 . (1.3)<br />
i=1<br />
Pokudnebudoupožadoványžádnédalšívlastnostiprofunkci g,<br />
můžebýtvýraz(1.3)minimalizovánnanulu(atopomocífunkce,<br />
kteráprocházívšemibody y1, y2,..., yn).Aletakovátofunkce<br />
nebudevhodná,neboťvevětšiněpřípadůbudeobsahovatpříliš<br />
mnohoprudkýchlokálníchzměn.Splinesmoothingmátedydva<br />
hlavnícíle,zaprvéminimalizovatsoučetčtvercůchybazadruhé<br />
setatometodasnaží,abyvýslednáaproximačnífunkcebyladostatečněhladká.Jeněkolikmožnostíjakzměřitlokálnízměny<br />
funkce g,napříkladpomocídruhéderivace.Tedyjakopenalizaci<br />
za„nehladkostlzevyužíthodnotuvýrazu<br />
<br />
g ′′ (x) 2 dx.<br />
Nynídefinujme<br />
Sλ(g)=<br />
n<br />
(g(ti) − yi) 2 <br />
+ λ<br />
i=1<br />
g ′′ (x) 2 dx,<br />
kde λoznačujesmoothingparametrreprezentujícípoměrmezi<br />
reziduálníchybouanerovnostífunkce g.Problémminimalizace<br />
Sλ(.)přesvšechnydvakrátdiferencovatelnéfunkcezintervalu<br />
(t1, tn)májednoznačnéřešení.<br />
Detailnějšípopismetodysplinesmoothingnaleznetevknihách<br />
GreenaSilverman[5]aHastieaTibshirani[6].<br />
Spektrálníanalýzačasovýchřad.Nechťmámečasovouřadu yt,<br />
kde t ∈ Z(vdalšímtextubudemestručněpsát yt).Tatořadaje<br />
rovnoměrněvyvážená(tzn.mákonstantnírozptyl)kolemjedné<br />
8
hladiny(tzn.mákonstantnístředníhodnotu).Pokudzávislost<br />
mezidvěmajednotlivýmipozorovánímijeinvariatnívůčiposunutí,tedyplatí<br />
cov(yr, ys)=cov(yr+d, ys+d) (1.4)<br />
prolibovolnépřirozenéčíslod,nazýváme ytstacionárníčasovou<br />
řadou.<br />
Autokovariančnífunkce γkstacionárníčasovéřady ytjedána<br />
předpisem<br />
γk=cov(yt, yt+k), k= . . .,−1,0,1, . . ..<br />
Funkce γkjesudá(tzn. γk= γ−k),takževjejímstudiusemůžeme<br />
omezitna k ≥0.<br />
Vtomtotextualepracujemeskonečnýmičasovýmiřadami<br />
tvaru(1.1).Pokudmámekonečnoučasovouřaduodhadautokovariančnífunkcevypočítámepodlevzorečku<br />
ck=<br />
n−k<br />
t=1<br />
(yt −¯y)(yt+k −¯y)<br />
, k=1,2, ..., n −1, (1.5)<br />
n<br />
kde¯yjeodhadstředníhodnoty<br />
¯y=<br />
n<br />
t=1<br />
yt<br />
. (1.6)<br />
n<br />
Nechťmáme ytstacionárníčasovouřadusnulovoustředníhodnotou,paksejejíautokovariančnífunkce<br />
γkdávyjádřitvetvaru<br />
γk=<br />
π<br />
−π<br />
cos(ωk)dF(ω), k=0,1,..., (1.7)<br />
kde F(ω)jeneklesající,zlevaspojitáfunkce,definovanánaintervalu(−π,<br />
π)ataková,žeF(−π)=0,F(π)=var(yt).Přitom<br />
F(ω)jejednoznačněurčenaanazývámejispektrálnídistribuční<br />
funkcístacionárnířady yt.<br />
Mybudemevnásledujícímetoděvyužívatpředevšímspektrálníhustotu<br />
f(ω),kteráexistujepokudjefunkce F(ω)absolutně<br />
spojitá.Spektrálníhustotuzískámezevztahu<br />
9
dF(ω)=f(ω)dω.<br />
Spektrálníhustotaurčujeintenzitu,sjakouseperiodickásložka<br />
vyskytujevčasovéřadě.Kdyžspektrálníhustotudosadímedovzorečku(1.7),vyjdenámrovnost<br />
γk=<br />
π<br />
−π<br />
cos(ωk)f(ω)dω, k=0,1,2,....<br />
Pokudtutorovnicivynásobímečíslem 1<br />
π ,dostanemeFourierovu<br />
transformacifunkce f(ω).MůžemepakpoužítinverzníFourierovu<br />
transformacikvyjádřeníspektrálníhustotypomocíautokovariančnífunkce:<br />
f(ω)= 1<br />
2π<br />
∞<br />
k=−∞<br />
γkcos(ωk). (1.8)<br />
Tentočlánektýkajícísespektrálníanalýzyčasovýchřadbyl<br />
opravdujenletménahlédnutídodanéproblematiky.Detailnější<br />
popis,důkazytvrzeníčiosvětleníteoriepomocípříkladůnaleznetenapříkladvkniháchAnděl[1]aCipra[4].<br />
10
Kapitola2<br />
Odhadrozptylušumu<br />
Tatokapitolapopisujemetody,kterésesnažíconejpřesnějiodhadnoutrozptylšumuuperiodickéčasovéřady.Budemepostupovatodnejjednoduššíchpřípadů,kterébudemepostudpnězobecňovat.<br />
Začneme s případem, kdy známe velikost periody funkce f<br />
zrovnice(1.2).Vdalšíčástinebudezadánadélkaperiody,alejen<br />
úzkýintervaldokteréhoperiodaspadá.Potébudemeodhadovat<br />
rozptylšumupřizcelaneznáméperiodě.Vnásledujícípodkapitolenámvýpočetztížízaokrouhlenáveličinaměření.Anakonec<br />
budemepracovatsřadou,kteráještěnavícobsahujetrendovou<br />
složku.<br />
2.1 Známáperioda<br />
Nyníjsmevsituaci,kdymámezadanouperiodickoučasovouřadu,<br />
známejejídélkuperiodyanašímúkolemjeodhadnoutrozptyl<br />
šumu.Víme,žejednotlivápozorováníčasovéřadyjsousložena<br />
zperiodické(hladkéspojité)funkcefašumu.Našímcílemtedy<br />
nyníbudenajítprvnísložku(tzn.periodickoufunkcif),protože<br />
pokudznámetutofunkci,jižsnadnodopočítámezrovnice(1.2)<br />
velikostšumuanásledněijehorozptyl.<br />
Knalezeníperiodickéfunkcepoužijememetodusplinesmoothing.Neboťvíme,žefunkcefjeperiodická,můžemeseomezitjennainterval(0,p),kdepznačídélkudanéperiody.Propřesnějšíaproximacisitedyvšechnyměření„vložímedointervalu<br />
11
(0,p),neboliprovedemeoperaci<br />
Ti= timod p, i=1,2, ..., n.<br />
Adálepracujemeshodnotami Tinamísto ti.<br />
Potétoúpravědostanemebodovýgrafsesouřadnicemi(Ti, yi),<br />
kdei=1,2,...,n.Natentobodovýgrafaplikujemevýššepopsanoumetodusplinesmoothing.Výslednáfunkce<br />
gjepronás<br />
dobrýmodhademprofunkcif,protožemávlastnosthladkosti<br />
aspojitostiaaproximujejednotlivápozorování.Našlijsmetedy<br />
odhadfunkcefazbýváužjenvypočítatodhadrozptylušumu.<br />
Odhadrozptylušumuvypočítámepodlevzorečkuprostřední<br />
čtvercovouchybuMSE(MeanSquaredError)tvaru<br />
1<br />
n<br />
n<br />
(g(Ti) − yi) 2 . (2.1)<br />
i=1<br />
2.2 Známýúzkýinterval,dokteréhoperioda<br />
spadá<br />
Jedánaperiodickáčasovářada,jejížperioduneznáme.Aleurčitýmzpůsobemzískámeinterval,dokteréhoperiodaspadá.Ujednoduššíchperiodickýchčasovýchřadmůžemetakovýintervalnajítsamy,pouzesivykreslímegrafaodhadnemevelikostperiody.Aletentopostupnelzepraktikovatuvšechperiodickýchčasovýchřad.Jinémetodypronalezeníúzkéhointervalusipopíšeme<br />
vnásledujícípodkapitole.<br />
Známetedyinterval,kterýobsahujeperiodu.Našímúkolem<br />
budenajítskutečnouhodnotuperiodyatímproblémpřevedeme<br />
napředchozípřípad,kterýmámejižvyřešený.<br />
Budemetedyhledattakovouperiodu,kteráminimalizujerozptylčtvercůchyb.Tomůžemeudělatsvyužitímstandardního<br />
numerickéhosoftwaru,napříkladfunkceoptimizezprosředíR,<br />
[8].<br />
12
Pokudjižznámevelikostperiody,použijemeprovýpočetodhadurozptylušumupostupzpodkapitoly2.1.<br />
2.3 Neznámáperioda<br />
Vtétočástibudenašímcílemodhadnoutrozptylšumuperiodické<br />
časovéřady,ukterénemámezadanoudélkuperiody.Nejjednoduššímřešenímbudepřevéstúlohunapřípad,kdyznámeinterval<br />
obsahujícíperiodu.<br />
Křešeníúlohyvyužijemeteoriispektrálníanalýzyčasových<br />
řad,kterápomáhánajítvýznamnéperiodickésložkyvdanéčasovéřadě.Vminulékapitolebylatatoteoriestručněpopsána.<br />
Našímúkolemtedybudenajítúzkýinterval,kterýobsahuje<br />
periodu,apakužjenstačípoužítřešenízpodkapitoly2.2.Knalezeníintervaluvyužijemespektrálníhustotu,neboťjejímaximum<br />
senacházívboděnejvýznamnějšífrekvence(1/perioda)časové<br />
řady.<br />
Abychommohlivypočítatspektrálníhustotu,musímenejprve<br />
ověřitpodmínkyjejíexistence.Zaprvésepožadujenulovástřední<br />
hodnota.Tozajistímejednoduchýmpředefinovánímčasovéřadya<br />
totak,žeodjednotlivýchměřeníodečtemeodhadstředníhodnoty<br />
(vizvzorečk(1.6)):<br />
yi= ˙ yi −¯y, i=0,1,2,...,n.<br />
Tatonováperiodickáčasovářada,skteroubudemedálepracovat,<br />
mástejnouhodnotuperiodyjakořadapůvodníazároveňnulovoustředníhodnotu.Dálepotřebujemeověřitstacionaritučasové<br />
řady.Myvtomtotextupracujemesřadoutvaru(1.2),kdešum<br />
tvořínezávislénáhodnéveličiny ei,i=1,2,...,n.Ztohoplyne,že<br />
jednotlivápozorování yi,i=1,2,...,njsoutakénezávislá,tedy<br />
kovariancemezilibovolnýmidvěmaměřenímijenulová.Platí<br />
cov(yr, ys)=0, ∀r, s ∈ {1,2, ..., n}, r = s.<br />
Tatorovnostnámdáváplatnostvztahu(1.4)atímpádemistacionaritučasovéřady.Nynívíme,žepodmínkyexistencespektrální<br />
13
hustotyjsousplněny.Amůžemesebezobavpustitdojejíhovýpočtu,kekterémupoužijemevzorce(1.5)a(1.8).<br />
V tuto chvíli známe odhad spektrální hustoty časové řady<br />
prorůznéfrekvence,kteráneseinformacisjakouintenzitouje<br />
danáfrekvencezastoupenavperiodickéčasovéřadě.Provedeme<br />
intervalovýodhadospolehlivosti0,95,kterýmzjistímedolníhodnotuintenzity.Frekvence,kterémajíintenzituvětšínežjetento<br />
dolníodhad,s95%pravděpodobnostípokryjískutečnouhodnotu<br />
frekvence.VýpočetdolníhraniceintezityvprogramuR,[8]se<br />
provedenásledně:<br />
sp
kde δ=ti+1 − ti(tedyčasmezijednotlivýmiměřeními).Tímto<br />
výpočtemdostávámeinterval(a, b),kterýpřekrývádélkuperiody,anacházímesetedyvestejnésituacijakovčásti2.2,jejíž<br />
řešeníjižznáme.<br />
2.4 Měřenáveličinajezaokrouhlena<br />
Vtétočástisenámpodmínkypronalezeníodhadurozptylušumu<br />
ztížíještětím,žeměřenáveličinabudezaokrouhlena.<br />
Zaokrouhlovacíchybu vi-témměřenísioznačme ri.Násale<br />
zajímápouzerozptylšumuanikoliirozptylzaokrouhlovacíchyby.<br />
Budemesetedysnažitobjevitrozptylnáhodnéveličiny ri,ktomu<br />
námpomůženásledujícíúvaha.<br />
Zaokrouhlovánísimůžemepředstavittak,žepozorováníměřímenastupnici,kterájerozdělenanadílky.Přiurčováníhodnotyjednotlivéhoměřenízapíšemenejbližšícelýdílekstupnice.<br />
Pokudjedílekměřítkadostatečněmalý,můžemepředpokládat,<br />
ženáhodnéveličiny ri(i=1,2, ..., n)majírovnoměrnérozdělení<br />
anezávisínafunkci f(t).Jednotlivápozorovánímajítedypak<br />
tvar<br />
yi=f(ti)+ei+ ri, i=1,2,...,n.<br />
Stěmitopředpokladyužjenstačíspočítatrozptylpředchozími<br />
metodamiaodečístodnějrozptylrovnoměrnéhorozdělení.Tento<br />
rozptylvypočítámepomocívzorečku:<br />
var ri= η2<br />
, (2.2)<br />
12<br />
kde ηjevelikostjednohodílkustupnicevydělenádvěma.<br />
2.5 Trend<br />
Vtétopodkapitolebudemeřešitproblém,kdyjednotlivápozorováníčasovéperiodickéřadyobsahujíkroměperiodickéfunkcea<br />
15
náhodnéchybyještětrendovousložku.Vtétoprácibudemepracovatsespeciálnímpřípademtrenduatostrendemvpodobě<br />
lineárnífunkce,kteráprocházípočátkem,tedysfunkcítvaru<br />
h(t)=K× t, K ∈ R.<br />
Pozorovánísetedynynídajírozložitnatřisložky<br />
yi= f(ti)+h(ti)+ei, i=1,2, ..., n. (2.3)<br />
Nechťmámetedyzadanouperiodickoučasovouřadu,jejížpozorováníjsoutvaru(2.3),aneznámedélkuperiodyanisměrnici<br />
trendu.Principřešenítétoúlohybudestejnýjakoupředešlých<br />
podkapitol.Cílembudeproblémzjednodušitapřevéstnajižvyřešenouúlohu.Jinýmislovysnažímesenyníodstranittrendovou<br />
složkuatímsedostatdosituace,jejížřešeníjižznáme.<br />
Nechťpočetpozorováníperiodickéčasovéřadyje n.Vezmeme<br />
siprvních ⌊n/50⌋měřeníastejnýpočetměřenízdruhéhokonce<br />
časovéřadyavkaždépodmnožiněvypočítámeodhadstředníhodnotydlevzorce(1.6).Označmesivýsledky<br />
¯ Y1a ¯ Y2.Anynínás<br />
zajímávzdálenoststředůtěchtomnožin.Neboťnašeperiodická<br />
časovářadajepravidelná,stačínajít tsindexem k=⌊n/100⌋<br />
a l=⌊n − n/100⌋.Aodhadsměrnicetrenduvypočítámepodle<br />
vzorečku<br />
K= ¯ Y2 −¯ Y1<br />
.<br />
tl − tk<br />
Kdyžznámesměrnicitrendu,odečtemeodvšechpozorovánítrendovousložku.Dostalijsmesetedykúloze,kdyneznámedélku<br />
periody.Ařešenítohotoproblémupopisujepodkapitola2.3.<br />
16
Kapitola3<br />
Výpočetodhadurozptylušumu<br />
Vtétokapitolesipopsanémetodyvyzkoušímenarůznýchdatech.<br />
Budeme pracovat s pěti časovými periodickými řadami, které<br />
jsou„našehotypu,nebolidajíserozepsatdotvaru(1.2).Tyto<br />
řadyjednoduššeoznačímeřadač.1,řadač.2,řadač.3,řadač.4a<br />
řadač.5.<br />
Podrobnýpostupprovýpočetodhadurozptylušumusipopíšemeprořaduč.1(proostatnířadyjevýpočetanalogický).<br />
Nazávěrsiuvedemevýsledkyprojednotlivéřadyaporovnámeje<br />
seskutečnouvelikostírozptylušumu.Výpočtyjsourealizovány<br />
vprostředíR,[8].Proprácistímtosoftwaremjsemvyužívala<br />
předevšímknihuVenablesaRipley[7].<br />
HodnotyčasovýchřadanavrženéprogramyprovýpočetníprostředíRjsoukdispozicinapřiloženémCD.<br />
3.1 Výpočet<br />
Budemepracovatspravidelnouperiodickoučasovouřadouč.1,<br />
kterámá100000pozorování,jejíperiodickáfunkcejesinus(perioda2π)ašummánormálnírozdělenísrozptylem0,005.Propředstavusimůžeteprohlédnoutdvagrafy.Obrázek3.1ukazujeprvních500pozorovánířadyč.1vykreslenýchdobodovéhografu.<br />
Nadalšímobrázku3.2jestejnářada„zhuštěnádointervalu<br />
(0,2π)ačervenoubarvoujezdevyznačenaaproximačnífunkce.<br />
Podlepopsanýchmetodvedruhékapitolebudemepočítatodhadrozptylušumuprořaduč.1.KprácivyužijemeprogramR,[8].<br />
Abychomsdatymohlipracovat,jenejprvenutnésijenačíst.Po-<br />
17
y<br />
−1.0 −0.5 0.0 0.5 1.0<br />
0 5 10 15 20 25 30<br />
Obrázek3.1:Bodovýgrafřadyč.1(prvních500pozorování)<br />
y<br />
−1.0 −0.5 0.0 0.5 1.0<br />
0 1 2 3 4 5 6<br />
Obrázek3.2:Grafřadyč.1„zhuštěnýdointervalu(0,2π)aproloženýaproximačnífunkcí<br />
18<br />
t<br />
T
kudmátesouborrada1.txtuloženýnapříkladvesložceD:\data,<br />
použijemepronačtenídattytopříkazy<br />
data
y<br />
−1.0 −0.5 0.0 0.5 1.0<br />
0 2 4 6 8<br />
Obrázek3.3:Prvních150hodnotřadyč.1vbodovémgrafu<br />
zintervalu[6;6,7]ahodnotytaybudoupevné.Pomocífunkce<br />
optimizezprostředíR,[8],naleznemejejíminimumazískáme<br />
takhledanoudélkuperiody.Apokudperioduznáme,stačíužjen<br />
zavolatfunkcirozptylzpředešléhořešení.<br />
Úlohuřešítatofunkce,kde h.meza d.mezznačíhorníadolní<br />
hraniciintervalu:<br />
rozptyl.znam.int
tétopodposloupnostinavelikostperiodyazískámetakinterval,<br />
kterýobsahujeskutečnouperiodu.Anyníužjenstačízavolat<br />
funkcirozptyl.znam.intzpředešléčástitextu.<br />
Provýpočetpoužijemefunkci:<br />
nejdelsi.posloupnost
}<br />
# přepočítání frekvencí na periody<br />
if (a>b) rozptyl.znam.int(a,b,t,y)<br />
else rozptyl.znam.int(b,a,t,y)<br />
Dostanemevýsledek0,004977565<br />
Měřenáveličinajezaokrouhlena<br />
Nynínebudemepracovatsřadouč.1,protožejejíhodnotynejsou<br />
zaokrouhleny.Alevytvořímesiřaduč.1-Ztím,žehodnotyřadyč.1<br />
zaokrouhlímenatřidesetinnámísta.Ktomunámposloužípříkaz:<br />
y
y2
y<br />
0.4 0.6 0.8 1.0 1.2<br />
0 2 4 6 8 10 12<br />
Obrázek3.4:Periodickáfunkceřadyč.2<br />
Řadač.5mádélkuperiody2π,periodickoufunkcisinusašum<br />
márovnoměrnérozdělení.<br />
Výsledkyprojednotlivéřadynaleznetevtabulce3.1,kdeprvní<br />
sloupečekoznačujesituaci,vjakéodhadrozptylupočítáme.Tedy<br />
vpřípadě2.1známeperiodu,2.2známejenúzkýinterval,2.3neznámeperiodu,u2.4jeměřenáveličinazaokrouhlenaavsituaci<br />
2.5hodnotyobsahujítrendovousložku.<br />
případ řadač.2 řadač.3 řadač.4 řadač.5<br />
2.1 0,005267312 0,004983362 0,004985795 0,004944058<br />
2.2 0,005268396 0,004978562 0,004985738 0,004939012<br />
2.3 0,005268861 0,004978562 0,1404924 0,004937811<br />
2.4 0,00527348 0,004978581 0,1404933 0,004937814<br />
2.5 0,005259363 0,004978539 0,1404926 0,004937806<br />
Tabulka3.1:Odhadrozptylušumučasovýchřad<br />
Výsledkyprořaduč.3ač.5vcelkudobřeodpovídajískutečnémurozptylušumu.Tedynašemetodyproodhadrozptylušumu<br />
lzevyužítprořady,jejichžperiodickáfunkcenemáprvníderivaci<br />
vkonečnémpočtubodů.Pakjsmesitakéověřili,žepopsanépostupysprávněfungujíprořady,jejichžšummánormálnínebo<br />
24<br />
x
y<br />
y<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
0 2 4 6 8 10 12<br />
Obrázek3.5:Periodickáfunkceřadyč.3<br />
−1.0 −0.5 0.0 0.5<br />
0 5 10 15 20<br />
Obrázek3.6:Periodickáfunkceřadyč.4<br />
25<br />
x<br />
x
ovnoměrnérozdělení(tedyprodvěčastopoužívanározdělení).<br />
Alepokudsenavýsledkypodívámepozorněji,zjistíme,žeuřad,<br />
jejichžšummánormálnírozdělení(řadač.1ařadač.3),jeodhad<br />
otrochupřesnějšínežuřadyč.5,kdeješumrovnoměrněrozdělený.Tedymetodyvtétoprácisevícehodínačasovéperiodické<br />
řadysnormálněrozdělenýmšumem.<br />
Odhady rozptylu šumu pro řady č.2 a č.4 jsou nepřesné a<br />
uřadyč.4sedokoncetřivýsledkylišíodvědesetinnámísta.<br />
Uřadyč.2nefungujeaproximacesplinem(funkceneníspojitá)a<br />
uřadyč.4selžealgortimusnahledánípřibližnéhointervalu.Metodyjsoutudížnevhodnéprořadysnespojitýmiperiodickýmifunkcemi.Adálenášpostupproodhadrozptylušumunevyhovujeřadám,jejichžperiodickáfunkceneníprostánaintervalu<br />
perioda/2.Neboliabyjsmemohlipoužítpopsanémetody,musí<br />
existovatúsekdlouhý perioda(označmesijej(a, b))tak,žeperiodickáfunkce<br />
fjeprostánaintervalech<br />
(a, a+ b−a<br />
2<br />
b−a ) a (a+ 2 , b).<br />
Ještěsitakémůžemepovšimnout,žeuřad(č.1,č.3ač.5),<br />
jejichžvýsledkypovažujemezapřijatelné,vyšelodhadrozptylu<br />
šumuvždyotrochumenšínežskutečnýrozptyl.Tojezpůsobené<br />
tím,žepřiprokládánísplinemminimalizujemestředníčtvercovou<br />
chybu.Tedynáslednýmvýpočtemobdržímemenšíodhadrozptylušumu,nežjakájeskutečnáhodnota.Tatochybaaleklesásdélkouřadyamypředpokládáme,žepočetpozorováníjedostatečněvysoký(utechnickýchřadjsmeobvyklelimitovánipouze<br />
velikostípamětipočítače).<br />
26
Literatura<br />
[1]JiříAnděl:Statistickáanalýzačasovýchřad,Praha,SNTL,<br />
1976,str.38-51.<br />
[2]PeterBloomfield:FourierAnalysisofTimeSeries:AnIntroduction,JohnWiley&Sons,2000,str.183-185.<br />
[3]Brockwell,P.J.aDavis,R.A.:IntroductiontoTimeSeries<br />
andForecasting,Springer-Verlag,2002,str.1-15.<br />
[4]TomášCipra:Analýzačasovýchřadsaplikacemivekonomii,<br />
Praha,SNTL,1986,str.15-19,205-230.<br />
[5]Green,P.J.aSilverman,B.W.:NonparametricRegression<br />
andGeneralizedLinearModels:ARoughnessPenaltyApproach,ChapmanandHall,1994,str.11-28.<br />
[6]Hastie,T.J.aTibshirani,R.J.:GeneralizedAdditiveModels,ChapmanandHall,1990,str.27-29.<br />
[7]Venables,W.N.aRipley,B.D.:ModernAppliedStatistics<br />
withS,Springer-Verlag,2003.<br />
[8]RDevelopmentCoreTeam:R:ALanguageandEnvironmentforStatisticalComputing,RFoundationforStatistical<br />
Computing,Vienna-Austria,2007.<br />
27