Z Skrypty dla studentów Ekonofizyki UPGOW
Linia 1: | Linia 1: | ||
[[Analiza Szeregów Czasowych]] | [[Analiza Szeregów Czasowych]] | ||
- | Procesy stochastyczne | + | =Elementy teorii prawdopodobieństwa= |
+ | |||
+ | =Procesy stochastyczne= | ||
+ | |||
+ | =Definicja i rola funkcji autokowariancji (autokorelacji)= | ||
+ | Do wyznaczania zależności pomiędzy zmiennymi losowymi użyteczna bywa funkcja kowariancji. | ||
+ | |||
+ | ;Definicja 3.1: Dla dwóch zmiennych losowych <math> \{X_t, t \in T\}\ </math> oraz <math> \{Y_s, s \in T\}\ </math> funkcja | ||
+ | |||
+ | : <math> | ||
+ | \begin{align} | ||
+ | ~cov(X(r),Y(s)) = | ||
+ | &E[(X_r - EX_r)(Y_s - EY_s)] = E(X_tY_s) - EX_t EY_s ~~~\text{dla} ~~~ r,s \in T | ||
+ | \end{align} | ||
+ | </math> | ||
+ | |||
+ | określa liniową zależność pomiędzy powyższymi zmiennymi losowymi. Stopień współzależności owych zmiennych losowych można podać za pomocą tzw. współczynnika korelacji Pearsona <math> r_{XY}\ </math> | ||
+ | |||
+ | : <math> | ||
+ | cov (X, Y) = r_{XY} \sigma_{X} \sigma_{Y}. | ||
+ | </math> | ||
+ | |||
+ | Wartość współczynnika korelacji Pearsona mieści się w przedziale domkniętym [-1, 1]. Im większa jego wartość bezwzględna, tym silniejsza jest zależność zmiennych losowych między zmiennymi. | ||
+ | <math>r_{XY} = 0</math> oznacza brak liniowej zależności między cechami, <math>r_{XY} = 1</math> oznacza dokładną dodatnią liniową zależność między cechami, natomiast <math>r_{XY} = -1</math> oznacza dokładną ujemną liniową zależność między cechami, tzn. jeżeli zmienna <math>X</math> rośnie, to <math>Y</math> maleje i na odwrót. | ||
+ | Współczynnik korelacji liniowej można traktować jako znormalizowaną [[kowariancja|kowariancję]]. Korelacja przyjmuje zawsze wartości w zakresie [-1, 1], co pozwala uniezależnić analizę od dziedziny badanych zmiennych. | ||
+ | |||
+ | W przypadku gdy analizujemy szereg czasowy opisywany poprzez ewolucję jednej zmiennej losowej możemy mówić najwyżej o funkcji autokowariancji. | ||
+ | Dla szeregu czasowego <math> \{X_t, t \in T\}\ </math> możemy taką funkcję zdefiniować następująco. | ||
+ | |||
+ | ;Definicja 3.2: Jeżeli <math> \{X_t, t \in T\}\ </math> jest procesem dla którego wariancja zmiennej losowej dla każdej chwili czasu <math> \sigma_{X_t} </math> jest skończona, wtedy funkcja autokowariancji procesu <math> \{X_t\}\ </math> zdefiniowana jest jako | ||
+ | |||
+ | : <math> | ||
+ | \begin{align} | ||
+ | ~\gamma_X(r,s) = &K_{XX}(r,s) = cov(X(r),X(s)) = cov(X_r,X_s) = \\ | ||
+ | &E[(X_r - EX_r)(X_s - EX_s)] = E(X_tX_s) - EX_t EX_s ~~~\text{dla} ~~~ r,s \in T. | ||
+ | \end{align} | ||
+ | </math> | ||
+ | |||
+ | Analogicznie do funkcji kowariancji, autokowariancja określa liniową zależność pomiędzy tą samą zmienną losową w dwóch chwilach czasu t i s. | ||
+ | |||
+ | |||
+ | =Stacjonarność procesu stochastycznego= |
Wersja z 13:18, 23 wrz 2010
Spis treści |
Elementy teorii prawdopodobieństwa
Procesy stochastyczne
Definicja i rola funkcji autokowariancji (autokorelacji)
Do wyznaczania zależności pomiędzy zmiennymi losowymi użyteczna bywa funkcja kowariancji.
- Definicja 3.1
- Dla dwóch zmiennych losowych \( \{X_t, t \in T\}\ \) oraz \( \{Y_s, s \in T\}\ \) funkcja
- \( \begin{align} ~cov(X(r),Y(s)) = &E[(X_r - EX_r)(Y_s - EY_s)] = E(X_tY_s) - EX_t EY_s ~~~\text{dla} ~~~ r,s \in T \end{align} \)
określa liniową zależność pomiędzy powyższymi zmiennymi losowymi. Stopień współzależności owych zmiennych losowych można podać za pomocą tzw. współczynnika korelacji Pearsona \( r_{XY}\ \)
- \( cov (X, Y) = r_{XY} \sigma_{X} \sigma_{Y}. \)
Wartość współczynnika korelacji Pearsona mieści się w przedziale domkniętym [-1, 1]. Im większa jego wartość bezwzględna, tym silniejsza jest zależność zmiennych losowych między zmiennymi. \(r_{XY} = 0\) oznacza brak liniowej zależności między cechami, \(r_{XY} = 1\) oznacza dokładną dodatnią liniową zależność między cechami, natomiast \(r_{XY} = -1\) oznacza dokładną ujemną liniową zależność między cechami, tzn. jeżeli zmienna \(X\) rośnie, to \(Y\) maleje i na odwrót. Współczynnik korelacji liniowej można traktować jako znormalizowaną kowariancję. Korelacja przyjmuje zawsze wartości w zakresie [-1, 1], co pozwala uniezależnić analizę od dziedziny badanych zmiennych.
W przypadku gdy analizujemy szereg czasowy opisywany poprzez ewolucję jednej zmiennej losowej możemy mówić najwyżej o funkcji autokowariancji. Dla szeregu czasowego \( \{X_t, t \in T\}\ \) możemy taką funkcję zdefiniować następująco.
- Definicja 3.2
- Jeżeli \( \{X_t, t \in T\}\ \) jest procesem dla którego wariancja zmiennej losowej dla każdej chwili czasu \( \sigma_{X_t} \) jest skończona, wtedy funkcja autokowariancji procesu \( \{X_t\}\ \) zdefiniowana jest jako
- \( \begin{align} ~\gamma_X(r,s) = &K_{XX}(r,s) = cov(X(r),X(s)) = cov(X_r,X_s) = \\ &E[(X_r - EX_r)(X_s - EX_s)] = E(X_tX_s) - EX_t EX_s ~~~\text{dla} ~~~ r,s \in T. \end{align} \)
Analogicznie do funkcji kowariancji, autokowariancja określa liniową zależność pomiędzy tą samą zmienną losową w dwóch chwilach czasu t i s.