УДК 519.21
МОДЕЛИРОВАНИЕ СТАЦИОНАРНЫХ МАРКОВСКИХ СЛУЧАЙНЫХ ПРОЦЕССОВ С ЗАДАННОЙ ПЛОТНОСТЬЮ РАСПРЕДЕЛЕНИЯ МЕТОДОМ АВТОРЕГРЕССИИ
С.В.Г арбарь
Институт электронных и информационных систем НовГУ, Sergey.Garbar@novsu.ru
Предложены два способа нахождения функции плотности независимой случайной величины в алгоритме авторегрессии: решением интегрального уравнения и с использованием характеристических функций. Также предложен численный метод оценки погрешности при численном решении полученного интегрального уравнения.
Ключевые слова: модель авторегрессии, моделирование случайных последовательностей
Two approaches of finding the density function of independent random value in autoregressive algorithm are proposed: the first is by solving of integral equation, the other one uses the characteristic functions. The numerical method of error estimation when solving mentioned equation numerically is also given.
Keywords: autoregressive model, random sequences modeling
Постановка задачи
Поставим задачу моделирования стационарной последовательности У1,У2,.,Уп,... случайных величин с заданной функцией распределения g (у). Такие последовательности используются, например, для моделирования временных рядов, течение которых стабилизировалось и происходит в неизменных условиях. Они широко применяются в радиотехнике, теории связи, механике жидкости и газа, океанологии, метеорологии, экономике и т. д.
Обычно подобные последовательности моделируются с использованием алгоритмов авторегрессии. В случае, если задано значение автокорреляционной функции в точке 1, т. е. речь идет о марковском процессе, уравнение авторегрессии имеет вид ¥к = а¥к _1 + ЬХк,
и значит рассматривается процесс авторегрессии первого порядка.
Наложим на а и Ь ограничения а, Ь > 0, а + Ь = 1. В этом случае генерируемая последовательность стационарна, а автокорреляционная функция принимает значения R(n) = ап , т. е. имеет экспоненциальный вид [1].
Таким образом, задача моделирования последовательности сводится к нахождению вида независимой случайной величины Хк , которая используется при расчетах следующего члена ряда.
Нахождение вида прибавляемой случайной величины
Теорема 1. Функции плотности g (у) и /(х) случайных величин Yk _1 и Хк связаны зависимостью
-1-й.
^у )= |
у - Ьх
= | g|----I/(х)~.
а ) а
(1)
Доказательство. По условию случайные величины Yk_1 и Хк независимы. Плотность линейной
функции г = аХ* + ЬХ 2* (при а, Ь Ф 0 ) двух незави-
* *
симых случайных величин Х1 и X 2 имеет вид
К(г)= [ //^-^1/2 (х2 ^ ^
* V а у а
_ад
где /1 (х), /2 (х) — плотности распределений случай* *
ных величин Х1 и X 2 соответственно.
Записав соответствующее выражение для имеющегося уравнения авторегрессии, получим выражение (1).
Таким образом, задачу определения распределения случайной величины Хк можно свести к решению линейного интегрального уравнения Фред-гольма первого рода относительно функции плотности ее распределения. Данное уравнение может быть решено в том числе и численно.
Теорема 2. Функция плотности случайной величины Yk g(у) и характеристическая функция случайной величины Хк ) связаны соотношением
1 4 х1 = — I"е'
Ь V Ь ) 2п Л
)
у( at)
Л.
(2)
Доказательство. Пусть ф^) — характеристическая функция случайной величины Хк . Так как Хк и Yk_1 — независимые случайные величины, то характеристическая функция их линейной комбинации Yk = aYk_1 + ЬХк есть произведение характеристических функций случайных величин ЬХк и а^ _1.
Поскольку у(t) — характеристическая функция случайной величины Yk, то характеристической функцией случайной величины aYk_1 будет ), исходя из стационарности последовательности >хУк} и свойства однородности характеристической функции как функции случайной величины.
Таким образом, у^) = у( at) • ф(Ьt).
)
Соответственно ф(Ьt) =
у^)
Если перейти к плотностям распределения, получим в левой части плотность случайной величины
ЬХк , которая имеет вид 1 / [Х | :
, х +"
1 / х1=— I"
Ь V Ь ) 2п •!
■_¥(0_ у^)
Л,
т. е. получено выражение (2), что и требовалось показать. Используя это выражение — фактически, решение уравнения (1), — в ряде случаев удобно находить плотность случайной величины Хк .
Оценка погрешности
При моделировании случайных последовательностей можно говорить о двух типах погрешности: во-первых, коэффициент корреляции между соседними членами последовательности может отличаться от требуемого. Во-вторых, может быть смоделирована последовательность с отличным от требуемой плотностью распределения. Использование алгоритмов авторегрессии — метод, который не дает погрешности ни одного из этих двух типов.
Однако, если уравнение (1) решается численно, то отличие численного решения /*(х) от истинного решения /(х) повлечет за собой и изменение функции плотности g(у) моделируемой последовательности.
Подставив / *( х) в уравнение
+ад
* *1у )={ * •( х)/ *( ^ ) 1 *,
аналогичное уравнению (1), и решив его численно относительно **(у) (это уравнение Фредгольма второго рода), получим оценку плотности случайных величин, составляющих последовательность.
Значение интеграла модуля разности численного решения и требуемой функции плотности
+ад
*(х)_ (х)|dx можно использовать для оценки
_ад
отличия получаемой реализацией от требуемого вида моделируемой последовательности.
Получение отрицательного коэффициента корреляции в случае симметричной функции плотности
В случае, если функция плотности распределения *(у) симметрична относительно точки у0, взятие симметричного относительно этой точки значения (2у0 _ у) на каждом шаге алгоритма авторегрессии в качестве реализации случайной величины не поменяет вида распределения.
Коэффициент корреляции между Ук и Ук
к-1
из-
менит свой знак на противоположный:
с°гг(^_l,2уо _ ^) = _ согг(7к_^ ^).
Например, если функция плотности четна, в качестве реализации случайной величины следует брать
(_у).
Пример 1. Стандартное нормальное распределение
Характеристической функцией стандартной
_ ^
нормальной случайной величины является ф^) = е 2. Воспользуемся соотношением (2):
а2ґ2 2
2
Є
Проинтегрировав, получим соотношение
f ixi=-
і
bJb2
2(1-a 2)
'b J л/2лл/і - a2 Так как b = 1 - a, получим
f (x) = -
1
1-a
V2n.
1 + a 1 - a
что есть плотность нормально распределенной слу-
чайной величины Xk ~ NI 0.
1 + а 1 _ а
Пример 2. Экспоненциальное распределение
Пусть >хУк} — последовательность экспоненциальных случайных величин с параметром X, т. е. Yk ~ Ехр(Х), имеющих плотность
(Хе-Хх, если у > 0,
[о, если у < 0.
Решим интегральное уравнение вида (1):
g ( у,і) =
ї-u.
g( у Л )= |
у - bx
1
= I * I ------,Х I/(х) dx.
-1 V а у а
_вд
Заметим, что все возможные значения случайных величин Yk и Yk_1 лежат в промежутке [0,+да). Следовательно, все возможные значения случайной величины Хк также должны лежать в промежутке [0,+да), т. е. при х < 0 /(х) = 0 . Подынтегральная
у
функция равна нулю при условиях х < 0 , х > —. Со-
Ь
ответственно, в указанных интервалах интеграл обращается в нуль. При у > 0 уравнение примет вид
le-Ху = - I le
1J >
a
у-bx
f( x)dx.
Перепишем его в виде
Функция плотности имеет вид / (х) = а5( х) + Ь* (х,ХЬ).
Данная функция плотности является линейной комбинацией плотностей неслучайной величины (X = 0) и экспоненциальной случайной величины с
параметром ХЬ и легко моделируется на ЭВМ методом суперпозиции.
Проще этот же результат можно получить, воспользовавшись выражением (2). Характеристическая функция экспоненциального распределения имеет вид
и
W ) = |1 - і
Соответственно
+ад
1 f| xJ=~ ад
b У b J 2п J
b+a-
ita
1-
it
I
-dt = — 2п
+ад
J
1-
it
+a
dt.
В скобках под знаком интеграла находится постоянная а и характеристическая функция экспоненциального распределения, умноженная на коэффициент Ь. Поэтому
Ь/ VЬ )=Ч )+(хД).
Переходя к функции плотности / (х) и используя однородность 5-функции, получим требуемое выражение: / (х) = а5( х) + Ь* (х,ХЬ).
Что и требовалось показать.
Непрерывное равномерное распределение
Уравнение вида (1) для непрерывного равномерного распределения при а = —— решено в [3],
функция f (x) имеет вид
f (x) =
1
n +1
n +1
Z Si x - k
k=0
где п е Ж0, что соответствует функции плотности дискретной случайной величины, равномерно распределенной в п +1 точках на отрезке [0,1].
lb у lb
----—+—x
a b a
- lb^
f (x)dx = aXe b .
0
Это уравнение Вольтерры первого рода, которое с учетом наличия у функции g (y, X) разрыва в точке 0 будет иметь решение [2]:
lb lb v
—+• 1
іьу lb -lb
- albe b +---------ae b
a
v
у
где 5( x) — дельта-функция Дирака.
Бокс Дж., Дженкинс Г.Д. Анализ временных рядов. Прогноз и управление. М.: Мир, 1974. 408 с.
Polyanin A.D., Manzhirov A.V. Handbook of Integral Equations. Boca Raton, USA: CRC Press, 1998. 787 р.
Гарбарь С.В. Авторегрессия первого порядка для равномерно распределенных случайных последовательностей // Вестник НовГУ. Сер: Техн. науки. 2010. №55. С.53.
Bibliography (Transliterated)
Boks Dzh., Dzhenkins G.D. Analiz vremennykh rjadov. Prognoz i upravlenie. M.: Mir, 1974. 408 s.
Polyanin A.D., Manzhirov A.V. Handbook of Integral Equations. Boca Raton, USA: CRC Press, 1998. 787 р.
Garbar' S.V. Avtoregressija pervogo porjadka dlja ravno-merno raspredelennykh sluchajjnykh posledovatel'nostejj // Vestnik NovGU. Ser: Tekhn. nauki. 2010. №55. S.53.
e
2
x
1+a
2
e
b
-itx
-itx
e
a
1.
2
3.
aa
+
2.
3