Upload
others
View
8
Download
1
Embed Size (px)
Citation preview
Vilniaus universitetas
Remigijus Leipus
LAIKO EILUCIU TEORIJOS
IVADAS
Mokomoji priemone
Vilniaus universiteto leidykla1995
Apsvarste ir rekomendavo spausdinti Matematikos fakulteto Mate-matines statistikos katedra (1995 06 20, protokolo Nr.6) ir fakultetotaryba (1995 06 20, protokolo Nr.13).
Recenzavo: doc. F. Miseikis,vyr. asist. V. Kazakevicius
c⃝ Remigijus Leipus, 1995
Turinys
Pratarme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4
1. ATSITIKTINIAI PROCESAI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6
2. STACIONARIEJI PROCESAI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .8
3. STACIONARIOSIOS SEKOS KOVARIACINES FUNKCIJOS SA-
VYBES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12
4. AUTOREGRESIJOS IR SLENKAMOJO VIDURKIO SEKOS . . . 14
5. ARSV SEKOS KOVARIACINES FUNKCIJOS SKAICIAVIMAS .25
6. SPEKTRINE KOVARIACINES FUNKCIJOS ISRAISKA . . . . . . . .33
7. ARSV SEKOS SPEKTRINIS TANKIS . . . . . . . . . . . . . . . . . . . . . . . . . . 42
8. STACIONARIOSIOS SEKOS VIDURKIO IR KOVARIACINES
FUNKCIJOS I‘VERCIAI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
9. PERIODOGRAMA IR SPEKTRINES PASISKIRSTYMO FUNK-
CIJOS I‘VERTIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
10. SPEKTRINIO TANKIO I‘VERCIAI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
11. KAI KURIE KONKRETUS SPEKTRINIO TANKIO I‘VERCIAI82
3
Pratarme
Si mokomoji priemone parasyta pagal pastaruosius kelis metus au-
toriaus skaitytas paskaitas Matematikos fakulteto studentams. Joje pa-
teikiama vieno semestro medziaga, apimanti laiko eiluciu‘teorijos pa-
grindus.
Dauguma statistiniu‘metodu
‘grindziami prielaida, kad stebejimai
yra nepriklausomi (tiksliau – nepriklausomu‘atsitiktiniu
‘dydziu
‘reali-
zacijos). Tokie metodai yra invariantiski stebejimu‘isdestymo atzvilgiu.
Kitaip yra laiko eiluciu‘teorijoje. Laiko eilutes praktikoje gaunamos nuo-
sekliai stebint i‘vairiu
‘fizikos, ekonomikos, meteorologijos, astronomijos,
medicinos ir t.t. reiskiniu‘vystyma
‘si. Todel momentu t gauta stebimo
dydzio reiksme Xt paprastai priklauso nuo to dydzio reiksmiu‘ankstes-
niais momentais s < t. Nustatytoji prieklausa leidzia prognozuoti tolesne‘
mus dominancio reiskinio evoliucija‘.
Sioje knygeleje isdestyti matematiniai laiko eiluciu‘analizes pagrin-
dai. Pirmame skyrelyje apibreziami atsitiktiniai procesai ir suformulu-
ojama Kolmogorovo teorema apie ju‘egzistavima
‘. Antrame ir treciame
skyreliuose apibreziamos stacionariosios sekos bei isvardijamos tokiu‘se-
ku‘kovariaciniu
‘funkciju
‘savybes. Ketvirtas ir penktas skyreliai skirti
4
autoregresijos ir slenkamojo vidurkio (ARSV) sekoms. Nagrinejamos ju‘
stacionarumo bei kauzalumo sa‘lygos ir pateikiami kovariacines funkci-
jos skaiciavimo budai. Sestame skyrelyje apibreziamos spektrines pa-
siskirstymo funkcijos ir spektriniai tankiai. Septintame skyrelyje patei-
kiamos butinos ir pakankamos ARSV sekos spektrinio tankio egzistavimo
sa‘lygos. Likusi dalis skirta statistiniams laiko eiluciu
‘teorijos meto-
dams isdestyti. Astuntame skyrelyje nagrinejamos stacionariosios sekos
vidurkio ir kovariacines funkcijos suderinamumo (kvadratinio vidurkio
prasme) sa‘lygos, devintame – periodogramos ir spektrines pasiskirstymo
funkcijos savybes, desimtame ir vienuoliktame – i‘vairus spektrinio tankio
i‘verciai.
Manau, kad si knygele bus naudinga ne tik matematikos fakulteto
studentams, bet ir visiems besidomintiems laiko eilutemis.
5
1. ATSITIKTINIAI PROCESAI
1.1 apibrezimas. Atsitiktiniu procesu vadinama atsitiktiniu‘dy-
dziu‘, apibreztu
‘vienoje tikimybineje erdveje, seima {Xt, t ∈ T}.
Laiko eiluciu‘teorijoje kintamasis t vadinamas laiku ir jo reiksmiu
‘
aibe T dazniausiai yra Z = {0,±1,±2, ...}, N = {1, 2, 3, ...} (diskretaus
laiko atvejis) arba R+ = [0,∞), R = (−∞,+∞) (tolydaus laiko atvejis).
1.1 pavyzdys. Tarkime, ν> 0 ir r > 0 yra du fiksuoti skaiciai, o
A> 0 ir Θ – nepriklausomi atsitiktiniai dydziai, Θ – tolygiai pasiskirste‘s
intervale [0, 2π). Apibrezkime
Xt = r−1A cos(νt+Θ).
Tokiu atsitiktiniu procesu aprasomas elektros sroves stiprio kitimas, kai
i‘tampa turi atsitiktine
‘amplitude
‘A ir atsitiktine
‘faze
‘Θ; r – rezistoriaus
varza. Laikas t gali buti tiek tolydus, tiek ir diskretus.
1.2 pavyzdys. Standartiniu Brauno judesiu (arba Vynerio procesu)
vadinamas procesas {Wt, t> 0}, tenkinantis sa‘lygas:
(a) W0 = 0;
(b) su visais n = 3, 4, ... ir su visais rinkiniais 06 t1 < t2 < ... < tn
pokyciai Wt2 −Wt1 , Wt3 −Wt2 , ...,Wtn −Wtn−1 yra nepriklau-
somi;
(c) Wt −Ws ∼ N(0, t− s), kai t> s.
6
A priori nera akivaizdu, kad atsitiktinis procesas su tokiomis savybe-
mis egzistuoja. Jo egzistavimas isplaukia is fundamentalios Kolmogorovo
teoremos, kuria‘dabar suformuluosime.
Is pradziu‘apibresime atsitiktinio proceso {Xt} daugiamate
‘pasi-
skirstymo funkcija‘. Taip vadinamas funkciju
‘
Ft1,...,tn(x1, ..., xn) = P{Xt1 6x1, ..., Xtn 6xn}
rinkinys; cia: n = 1, 2, ..., t1, ..., tn ∈ T ⊂ R, t1 < t2 < ... < tn ir
x1, ..., xn ∈ R.
1.1 teorema. Funkcijos {Ft1,...,tn(x1, ..., xn), t1 < t2 < ... < tn,
n = 1, 2, ...} yra kokio nors atsitiktinio proceso daugiamates pasiskirsty-
mo funkcijos tada ir tik tada, kai su visais n = 1, 2, ..., t1 < t2 < ... < tn
ir k = 1, 2, ..., n teisinga sa‘lyga
limxk→∞
Ft1,...,tn(x1, ..., xn) = Ft1,...,tk−1,tk+1,...,tn(x1, ..., xk−1, xk+1, ..., xn).
(1.1)
1.1 pastaba. Pastaroji lygybe vadinama suderinamumo sa‘lyga.
Svarbu yra i‘sidemeti, kad reikalavimas T ⊂ R (tada T yra tiesiskai
sutvarkyta aibe) yra esminis. Jeigu T nera sutvarkyta aibe, papildomai
reiketu‘reikalauti, kad butu
‘ispildyta ”perstatos” sa
‘lyga.
1.2 pastaba. Suderinamumo sa‘lyga
‘galima suformuluoti ir charak-
teristiniu‘funkciju
‘terminais. Jei
φt1,...,tn(u1, ..., un) =
∫Rn
ei∑n
1 ujxjFt1,...,tn(dx1, ..., dxn),
7
tai suderinamumo sa‘lyga ekvivalenti lygybei
limuk→0
φt1,...,tn(u1, ..., un) = φt1,...,tk−1,tk+1,...,tn(u1, ..., uk−1, uk+1, ..., un).
(1.2)
1.1 pratimas. Parodykite, kad 1.2 pavyzdyje apibreztas Vynerio
procesas tenkina suderinamumo sa‘lyga
‘.
2. STACIONARIEJI PROCESAI
2.1 apibrezimas. Atsitiktinio proceso {Xt, t ∈ T}, su visais t ∈ T
tenkinancio sa‘lyga
‘DXt <∞, kovariacine funkcija apibreziama lygybe
r(s, t) = Cov(Xs, Xt) = E(Xs − EXs)(Xt − EXt), s, t ∈ T. (2.1)
2.2 apibrezimas. Seka {Xt, t ∈ Z} vadinama stacionaria‘ja, jeigu:
1) ∀t ∈ Z E|Xt|2 <∞,
2) ∀t ∈ Z EXt = EX0,
3) r(s, t) = r(s+ h, t+ h) su visais s, t, h is Z.
Daznai literaturoje taip apibreztas stacionarumas vadinamas sta-
cionarumu placia‘ja (arba silpna
‘ja) prasme.
Kadangi stacionariai sekai r(s, t) = r(s− t, 0) su visais s, t ∈ Z, tai
patogiau kovariacine‘funkcija
‘traktuoti kaip vieno argumento funkcija
‘ir
rasyti (ka‘mes nuo siol ir darysime) tiesiog r(s) ≡ r(s, 0) visiems s ∈ Z.
Stacionarios sekos koreliacine funkcija apibreziama lygybe
ρ(h) = r(h)/r(0)
su h ∈ Z.
8
2.3 apibrezimas. Sakysime, kad {Xt, t ∈ Z} yra m-osios eiles
stacionarioji seka, jeigu egzistuoja visi misrieji vektoriu‘
(Xt1 , Xt2 , ..., Xtn)
momentai iki m-os eiles ir jie yra invariantiski postumio atzvilgiu, t.y.
EXα1t1 X
α2t2 ...X
αntn = EXα1
t1+hXα2
t2+h...Xαn
tn+h
su visais n ∈ N, (t1, t2, ..., tn) ∈ Zn, h ∈ Z ir∑n
1 αj 6m.
2.4 apibrezimas. Seka {Xt, t ∈ Z} vadinama stacionaria‘ja siau-
ra‘ja (arba griezta
‘ja) prasme, jeigu su visais k ∈ N, t1, t2, ..., tk ir h is
Z vektoriu‘(Xt1 , ..., Xtk) ir (Xt1+h, ..., Xtk+h) pasiskirstymai sutampa.
Nesunku matyti, jeigu seka {Xt} yra stacionari siaura‘ja prasme ir
E|Xt|2 < ∞ , tai ji yra stacionari ir placia‘ja prasme. Atvirkscias gi
teiginys nera teisingas (2.4 pratimas). Taciau Gauso seku‘klaseje abu
stacionarumo apibrezimai yra ekvivalentus. Is pradziu‘apibresime Gauso
procesa‘.
2.5 apibrezimas. Atsitiktinis procesas {Xt, t ∈ T} vadinamas
Gauso procesu, jeigu visi jo daugiamaciai pasiskirstymai yra normalieji.
Priminsime, kad atsitiktinis vektorius ξ = (ξ1, ..., ξn) vadinamas
normaliai pasiskirsciusiu su parametrais a ir Γ, jeigu jo n-mate charak-
teristine funkcija φ(λ) = Eei(λ,ξ), λ = (λ1, ..., λn), yra tokio pavidalo:
φ(λ) = ei(λ,a)−(Γλ,λ)/2; (2.2)
9
cia: a = (a1, ..., an), Γ = (Γkl) − simetrine ir neneigiamai apibrezta
matrica. Galima patikrinti (zr. 2.3 pratima‘), kad ak = Eξk, Γkl =
= E(ξk − ak)(ξl − al).
2.1 teorema. Stacionarioji placia‘ja prasme Gauso seka {Xt, t ∈
∈ Z} yra stacionarioji ir siaura‘ja prasme.
I‘rodymas. Kadangi seka {Xt} yra stacionari placia
‘ja prasme, tai
vektoriu‘(Xt1 , ..., Xtk) ir (Xt1+h, ..., Xtk+h) vidurkiai ir kovariacines mat-
ricos sutampa. Taigi sie vektoriai turi viena‘ir ta
‘pati
‘pasiskirstyma
‘. �
2.1 pavyzdys. Apibrezkime atsitiktini‘procesa
‘
Xt = A cos(θt) +B sin(θt);
cia: A ir B yra nekoreliuoti atsitiktiniai dydziai su EA = EB = 0,
DA = DB = 1 ir θ ∈ [−π, π]. Nesunku i‘sitikinti, kad toks atsitiktinis
procesas yra stacionarus ir Cov(Xt+h, Xt) = cos(θh).
2.2 pavyzdys. Tarkime {Zt, t ∈ Z} yra nepriklausomu‘vienodai
pasiskirsciusiu‘atsitiktiniu
‘dydziu
‘su nuliniu vidurkiu ir dispersija σ2
seka. Seka‘{Xt} apibrezkime lygybe
Xt = Zt + θZt−1.
Tada EXt = 0 ir
Cov(Xt+h, Xt) =
σ2 + θ2σ2 , kai h = 0,θσ2 , kai |h| = 1,0 , kai |h| > 1.
10
Vadinasi, seka {Xt} yra stacionarioji.
2.1 pratimas. Tarkime Xt = Zt + θZt−1, t ∈ N, cia Z0, Z1, ... yra
nepriklausomi vienodai pasiskirste‘atsitiktiniai dydziai su generuojan-
cia‘ja momentu
‘funkcija E exp(λZi) = m(λ). Isreikskite generuojancia
‘ja‘
momentu‘funkcija
‘E exp(
n∑i=1
λiXi) funkcijos m(·) terminais. Parodykite,
kad {Xt} yra stacionarioji siaura‘ja prasme seka.
2.2 pratimas. Tegul atsitiktine seka apibrezta lygybe
Xt = cos(νt+Φ), t ∈ Z; (2.3)
cia: Φ – tolygiai intervale (0, 2π] pasiskirste‘s atsitiktinis dydis, ν> 0.
Parodykite, kad (2.3) seka stacionari.
2.3 pratimas. Tegul Gauso atsitiktinio vektoriaus ξ =(ξ1, ..., ξn)
charakteristine funkcija yra (2.2) pavidalo. Parodykite, kad ak = Eξk,
Γkl = Cov(ξk, ξl).
2.4 pratimas. Sukonstruokite atsitiktiniu‘dydziu
‘seka
‘{Xt, t ∈ Z},
kuri butu‘stacionari placia
‘ja prasme, bet nestacionari siaura
‘ja prasme.
11
3. STACIONARIOSIOS SEKOS KOVARIACINES
FUNKCIJOS SAVYBES
3.1 teiginys. Tarkime, r(·) – stacionariosios sekos {Xt, t ∈ Z}
kovariacine funkcija. Tada:
1) r(0)> 0,
2) |r(h)|6 r(0) su visais h,
3) r(−h) = r(h) su visais h.
I‘rodymas. 1) ir 3) savybes isplaukia is 2.2 apibrezimo. Norint patikrinti
2) savybe‘, tereikia panaudoti Kosi nelygybe
‘. �
Isvardintosios savybes tera tik butinos sa‘lygos, kurioms esant kokia
nors funkcija yra kovariacine. Butina ir pakankama sa‘lyga apibreziama
tos funkcijos neneigiamo apibreztumo sa‘voka.
3.1 apibrezimas. Funkcija r: Z → R vadinama neneigiamai api-
brezta, jeigu ∀n ∈ N, (a1, ..., an) ∈ Rn, (t1, ..., tn) ∈ Zn
n∑i,j=1
aiajr(ti − tj)> 0.
3.1 teorema. Lygine funkcija f : Z → R yra stacionariosios sekos
kovariacine funkcija tada ir tik tada, kai ji yra neneigiamai apibrezta.
I‘rodymas. B u t i n u m a s. Tarkime, f(·) yra stacionariosios sekos
{Xt, t ∈ Z} kovariacine funkcija. Tada
n∑i,j=1
aiajf(ti − tj) =n∑
i,j=1
aiajE(Xti − EXti)(Xtj − EXtj ) =
12
= E(n∑
i=1
ai(Xti − EXti))2 > 0.
P a k a n k a m u m a s. Sakykime f : Z → R yra lygine neneigiamai
apibrezta funkcija. I‘rodydami, jog egzistuoja stacionarus procesas, ku-
rio kovariacine funkcija yra f(·), pasinaudosime Kolmogorovo teorema.
Apibrezkime funkcija‘
φt1,...,tn(u1, ..., un) = e−1/2
n∑i,j=1
uiujf(ti−tj)
. (3.1)
Kadangi f(·) yra lygine ir neneigiamai apibrezta, tai (3.1) yra nor-
maliai pasiskirsciusio vektoriaus charakteristine funkcija. Akivaizdu,
kad si funkcija tenkina (1.2) suderinamumo sa‘lyga
‘. Vadinasi, egzistuoja
toks atsitiktinis procesas, kurio baigtiniamaciu‘pasiskirstymu
‘charak-
teristines funkcijos yra (3.1) funkcijos. Is 2.3 pratimo isplaukia, kad
f(i− j) = Cov(Xi, Xj). �
Is 3.1 teoremos isplaukia, kad bet kokiai lyginei neneigiamai api-
breztai funkcijai galima sukonstruoti stacionaru‘ji‘Gauso procesa
‘, kurio
kovariacine funkcija butu‘si funkcija.
3.1 pratimas. Parodykite, kad kovariacinei funkcijai teisinga ne-
lygybe
|r(n)− r(m)|2 6 2r(0)(r(0)− r(n−m)).
3.2 pratimas. Parodykite, kad funkcija r : Z → R, apibreziama
lygybemis
r(h) =
1, h = 0,ρ, |h| = 1,0, |h| > 1,
13
yra stacionarios sekos kovariacine funkcija tada ir tik tada, kai |ρ|6 1/2.
4. AUTOREGRESIJOS IR SLENKAMOJO VIDURKIO
SEKOS
4.1 apibrezimas. Seka {Zt} vadinama balto triuksmo seka su
vidurkiu 0 ir dispersija σ2, jeigu EZt = 0 ir
r(h) =
{σ2, h = 0,0, h = 0.
Zymesime Zt ∼ BT (0, σ2).
4.2 apibrezimas. Procesas {Xt, t ∈ Z} vadinamas autoregresijos
ir slenkamojo vidurkio seka, jeigu {Xt} stacionarus ir su visais t
Xt − ϕ1Xt−1 − ...− ϕpXt−p = Zt + θ1Zt−1 + ...+ θqZt−q; (4.1)
cia Zt ∼ BT (0, σ2). Tokia‘seka
‘zymesime ARSV(p,q).
(4.1) lygybe‘galima uzrasyti trumpiau:
ϕ(B)Xt = θ(B)Zt, t ∈ Z; (4.2)
cia:
ϕ(z) = 1− ϕ1z − ...− ϕpzp,
θ(z) = 1 + θ1z + ...+ θqzq
ir B yra postumio operatorius, t.y. BjXt = Xt−j , j ∈ Z. Daugianariai
ϕ(·) bei θ(·) vadinami atitinkamai autoregresijos bei slenkamojo vidurkio
daugianariais.
14
4.1 pavyzdys (SV(q) procesas). Jei lygtyje (4.1) ϕ(z) ≡ 1, t.y.
Xt = Zt + θ1Zt−1 + ...+ θqZt−q,
tai seka‘{Xt} vadinsime q-osios eiles slenkamojo vidurkio seka (SV(q)).
Akivaizdu, kad EXt = 0 ir
Cov(Xt+h, Xt) =
σ2q−|h|∑j=0
θjθj+|h|, |h|6 q,
0, |h| > q,
cia θ0 = 1. Taigi {Xt} yra stacionari seka.
4.2 pavyzdys (AR(1) procesas). Panagrinekime atveji‘, kai (4.1)
lygtyje p = 1, θ(z) ≡ 1 ir ϕ(z) = 1− ϕz:
Xt − ϕXt−1 = Zt, t ∈ Z. (4.3)
Tada
Xt = Zt + ϕ(Zt−1 + ϕXt−2) = ...
... = Zt + ϕZt−1 + ϕ2Zt−2 + ...+ ϕkZt−k + ϕk+1Xt−k−1.
Sakykime, EX2t ≡ const <∞. Tada, jeigu |ϕ| < 1, tai
E(Xt −n∑
j=0
ϕjZt−j)2 = ϕ2n+2EX2
t−n−1 → 0, (4.4)
kai n→ ∞. Todel rasysime
Xt =∞∑i=0
ϕiZt−i, (4.5)
reiskini‘desineje puseje laikydami daliniu
‘sumu
‘riba kvadratinio vidurkio
prasme. Veliau pamatysime, kad (4.5) teisinga ir su tikimybe 1.
15
Seka, apibrezta (4.5) lygybe, yra stacionari, nes
EXt =
∞∑i=0
ϕiEZt−i = 0,
ir
Cov(Xt+h, Xt) = limn→∞
E
n∑i,j=0
ϕi+jZt+h−iZt−j =
= σ2ϕ|h|∞∑j=0
ϕ2j = σ2 ϕ|h|
1− ϕ2.
Be to, {Xt}, apibreztas (4.5) lygybe, tenkina AR(1) (4.3) lygti‘. Vadinasi,
jis yra vienintelis stacionarus sprendinys.
Jeigu |ϕ| > 1, tai panasiai i‘sitikiname, kad
Xt = −∞∑i=1
ϕ−iZt+i
yra vienintelis stacionarus (4.3) lygties sprendinys.
Parodysime, kad |ϕ| = 1 atveju AR(1) (4.3) lygtis stacionaraus
sprendinio neturi. Lygybe‘
Xt − ϕkXt−k = Zt + ϕZt−1 + ϕ2Zt−2 + ...+ ϕk−1Zt−k+1
skaliariskai padaugine‘1 is Xt − ϕkXt−k, gausime
E(Xt − ϕkXt−k)2 = kσ2. (4.6)
1 Sakydami ”X skaliariskai dauginame is Y ”, turime omenyje (zr. 6.1
pastaba‘), kad skaliarine sandauga ⟨X,Y ⟩ yra apibrezta lygybe ⟨X,Y ⟩ =
= EXY.
16
Tarkime, {Xt} yra stacionari seka. Tada, pazymeje‘r(k) :=
= Cov(Xt, Xt−k) ir tare‘, kad k yra lyginis skaicius, is (4.6) gauname
2r(0)− 2r(k) = kσ2,
arba
r(k) = r(0)− 1
2kσ2.
Tai priestarauja stacionarios sekos kovariacines funkcijos savybems, nu-
rodytoms 3.1 teiginyje (visur, suprantama, mes nagrinejame ”neissigi-
musi‘” atveji
‘σ = 0). Veliau parodysime, kad ir bendresne AR(p) lygtis
Xt − ϕ1Xt−1 − ...− ϕpXt−p = Zt
turi vieninteli‘stacionaru
‘ji‘sprendini
‘tada ir tik tada, kai lygties ϕ(z) = 0
saknys nera ant vienetinio apskritimo.
Auksciau gautas AR(1) lygties su |ϕ| < 1 sprendinys (4.5) prik-
lauso nuo balto triuksmo sekos reiksmiu‘momentais t, t − 1, t − 2, ...,
t.y. isreiskiamas ”praeities” stebejimais. Tokia sa‘rysio su {Zt} savybe
vadinama kauzalumu.
4.3 apibrezimas. ARSV (p, q) procesas, apibreztas (4.2) lygtimis,
vadinamas kauzaliuoju, jeigu egzistuoja tokia absoliuciai sumuojama
seka {ψi, i ≥ 0}, kad
Xt =∞∑i=0
ψiZt−i, t ∈ Z.
Dabar suformuluosime teigini‘, kuris bus reikalingas veliau
ARSV(p, q) sekoms tirti.
17
4.1 teorema. Jeigu {Xt} – stacionari seka su kovariacine funkcija
r(·),∑
|ψi| < ∞, tai su visais t ∈ Z eilute∑∞
i=−∞ ψiXt−i konverguoja
absoliuciai su tikimybe 1 bei kvadratinio vidurkio prasme. Abiem atve-
jais ribos sutampa, ir Yt := ψ(B)Xt ≡∑∞
i=−∞ ψiXt−i yra stacionari
seka su kovariacine funkcija
rY (h) =∞∑
i,j=−∞ψiψjr(h− i+ j). (4.7)
I‘rodymas. Is teoremos apie monotoniska
‘konvergavima
‘isplaukia
E
n∑i=−n
|ψi||Xt−i| → E
∞∑i=−∞
|ψi||Xt−i|,
kai n→ ∞. Kadangi {Xt} – stacionari seka, tai E|Xt|6 (EX2t )
1/2 <∞,
todel
E∞∑
i=−∞|ψi||Xt−i|6 sup
tE|Xt|
∞∑−∞
|ψi| <∞.
Vadinasi (zr. 4.1 pratima‘),
∑∞i=−∞ |ψi||Xt−i| , kartu ir
∑∞i=−∞ ψiXt−i
yra su tikimybe 1 baigtiniai atsitiktiniai dydziai.
Konvergavima‘kvadratinio vidurkio prasme i
‘rodysime, pritaike
‘Kosi
kriteriju‘. Su visais n > m > 0 turime
E|∑
m<|i|6n
ψiXt−i|2 =∑
m<|i|,|j|6n
ψiψjEXt−iXt−j 6
6 suptEX2
t (∑
m<|i|6n
|ψi|)2 → 0,
kai m,n → ∞. Is erdves L2 pilnumo isplaukia, kad eilute ψ(B)Xt kon-
verguoja kvadratinio vidurkio prasme.
18
Parodysime, kad ribos abiem atvejais sutampa. Pazymekime raide
S riba‘kvadratinio vidurkio prasme, t.y. tegu
limm,n→∞
E|n∑
i=−m
ψiXt−i − S|2 = 0.
Tada is Fatu lemos gauname
E|S −∞∑
i=−∞ψiXt−i|2 = E lim inf
n→∞|S −
n∑i=−n
ψiXt−i|2 6
6 lim infn→∞
E|S −n∑
i=−n
ψiXt−i|2 = 0,
todel S =∑∞
i=−∞ ψiXt−i su tikimybe 1.
Seka {Yt, t ∈ Z} yra stacionari su kovariacine funkcija (4.7), nes
EYt = EXt
∑∞i=−∞ ψi = const <∞ ir su visais t, h ∈ Z
E(Yt+h − EYt+h)(Yt − EYt) =
= limn→∞
En∑
i,j=−n
ψiψj(Xt+h−i − EXt+h−i)(Xt−j − EXt−j) =
=
∞∑i,j=−∞
ψiψjr(h− i+ j). �
Is 4.1 teoremos isplaukia, kad operatoriai ψ(B) ≡∑∞
i=−∞ ψiBi su∑∞
−∞ |ψi| < ∞ stacionarias laiko eilutes perveda i‘stacionarias. Daznai
tokie operatoriai vadinami tiesiniais filtrais su svoriais {ψi}. Taikomuoju
poziuriu svarbus vadinamieji realiai i‘gyvendinami filtrai, atitinkantys
kauzalu‘isejimo srauta
‘. Suformuluosime butinas ir pakankamas sa
‘lygas,
su kuriomis ARSV(p, q) procesas yra kauzalus, bei pademonstruosime,
kaip siuo atveju apskaiciuoti koeficientus {ψi, i> 0}.
19
4.2 teorema. Sakykime, {Xt} – ARSV(p,q) seka, ir ϕ(·) su θ(·)
neturi bendru‘nuliu
‘. Laiko eilute {Xt} yra kauzali tada ir tik tada, kai
ϕ(z) = 0 su visais z ∈ C, |z|6 1. Koeficientai {ψi, i> 0} apskaiciuojami
is sa‘rysio
ψ(z) ≡∞∑i=0
ψizi =
θ(z)
ϕ(z), |z|6 1. (4.8)
I‘rodymas. B u t i n u ma s. Sakykime, {Xt} – kauzalioji ARSV(p, q)
laiko eilute, t.y. Xt =∑∞
0 ψjZt−j ; cia {ψj} – absoliuciai sumuojama
seka. Tada (4.2) lygti‘galime uzrasyti taip:
θ(B)Zt = ϕ(B)ψ(B)Zt.
Pazymeje‘ν(z) = ϕ(z)ψ(z) ≡
∑∞0 νjz
j su |z|6 1, gauname
q∑j=0
θjZt−j =∞∑j=0
νjZt−j .
Skaliariskai padaugine‘lygybe
‘is Zt−k, isvedame lygybes νk = θk, kai
k6 q ir =0, kai k > q. Taigi
θ(z) = ν(z) = ϕ(z)ψ(z), |z|6 1. (4.9)
Tarkime, egzistuoja toks z0, kad |z0|6 1 ir ϕ(z0) = 0. Kadangi
|ψ(z)| < ∞, ∀|z|6 1, tai is (4.9) isplaukia, kad θ(z0) = 0. Tai priesta-
rauja prielaidai, kad ϕ(·) ir θ(·) neturi bendru‘nuliu
‘.
P a k a n k a m u m a s. Sakykime, kad ϕ(z) = 0 skritulyje |z|6 1.
Tada galima rasti toki‘ε > 0, kad visi ϕ(z) nuliai butu
‘skritulio |z|6 1+ε
isoreje. Tuomet srityje |z|6 1 + ε turime
1
ϕ(z)=
∞∑0
ξjzj ≡ ξ(z).
20
Is butino eilutes konvergavimo pozymio isplaukia, kad ξj(1 + ε)j −→j→∞
0.
Todel egzistuoja toks M , 0 < M <∞, kad
|ξj | < M(1 + ε)−j , j = 0, 1, 2, ... .
Taigi∑∞
0 |ξj | <∞.
Remdamiesi 4.1 teorema (abi lygybes ϕ(B)Xt = θ(B)Zt puses yra
stacionarios sekos), galime rasyti
ξ(B)ϕ(B)Xt = ξ(B)θ(B)Zt,
arba
Xt = ξ(B)θ(B)Zt.
Is to isplaukia, kad
Xt =∞∑j=0
ψjZt−j ;
cia absoliuciai sumuojama seka {ψj} apibreziama (4.8) sa‘rysiu. �
4.1 pastaba. Is butinumo i‘rodymo matome, kad bet kuris sta-
cionarus ARSV lygties su ϕ(z) = 0, |z|6 1 sprendinys Xt turi pavidala‘
Xt =∑∞
0 ψjZt−j su seka {ψj}, apibrezta (4.8) lygybe. Kita ver-
tus, akivaizdu, kad Xt = ψ(B)Zt tenkina (4.2) ARSV lygti‘. Vadi-
nasi, Xt =∑∞
0 ψjZt−j yra vienintelis ARSV lygties sprendinys, jeigu
ϕ(z) = 0 su |z|6 1.
Duali kauzalumo sa‘vokai yra laiko eilutes apgre
‘ziamumo sa
‘voka.
21
4.4 apibrezimas. ARSV laiko eilute ϕ(B)Xt = θ(B)Zt vadinama
apgre‘ziama, jeigu egzistuoja tokia seka {αj},
∑∞0 |αj | <∞, kad
Zt =∞∑j=0
αjXt−j .
Suformuluosime butinas ir pakankamas apgre‘ziamumo sa
‘lygas bei
nustatysime sa‘rysi
‘tarp koeficientu
‘αj ir ARSV parametru
‘.
4.3 teorema. Tarkime {Xt} yra ARSV(p, q) seka ir ϕ(·) su θ(·)
neturi bendru‘nuliu
‘. Tuomet {Xt} yra apgre
‘ziama tada ir tik tada, kai
θ(z) = 0 skritulyje |z|6 1. Koeficientai {αj} apibreziami lygybe
α(z) ≡∞∑j=0
αjzj =
ϕ(z)
θ(z), |z|6 1. (4.10)
I‘rodymas panasus i
‘4.2 teoremos i
‘rodyma
‘.�
Sujunge‘4.2 ir 4.3 teoremas, gauname tokia
‘isvada
‘.
4.1 isvada. Tarkime, {Xt} yra ARSV(p,q) seka, ϕ(z)θ(z) = 0
su |z|6 1 ir ϕ(·) su θ(·) neturi bendru‘nuliu
‘. Tada ji yra kauzali ir
apgre‘ziama, o atitinkami parametrai {ψj} ir {αj} randami is (4.8) ir
(4.10) lygybiu‘.
4.2 pastaba. Pasinaudojus kauzalumo sa‘voka, galima apibrezti
slenkamojo vidurkio su begaline eile (zymesime SV(∞)) sekas. Butent,
{Xt} vadinamas SV(∞) procesu, jeigu egzistuoja tokia seka {ψj}, kad∑∞0 |ψj | < ∞ ir Xt =
∑∞0 ψjZt−j ; cia Zt ∼ BT (0, σ2). Panasiai
apibreziamos AR(∞) sekos.
22
4.3 pastaba. Sakykime, ϕ(·) ir θ(·) neturi bendru‘nuliu
‘ir egzis-
tuoja toks z, kad |z| = 1 ir ϕ(z) = 0. Tokiu atveju (zr. 6.3 pratima‘)
(4.2) ARSV lygtis stacionaraus sprendinio neturi. Kita vertus, jei ∀z,
|z| = 1 : ϕ(z) = 0, tai is kompleksinio kintamojo funkciju‘teorijos
isplaukia, kad
θ(z)
ϕ(z)=
∞∑j=−∞
ψjzj ≡ ψ(z), R−1 < |z| < R
su kazkokiu R > 1. Konvergavimas nurodytajame ziede yra absoliutus.
Taigi teisinga tokia teorema.
4.4 teorema. Tarkime, kad ϕ(·) neturi nuliu‘ant apskritimo |z| =
= 1 ir ϕ(·) su θ(·) neturi bendru‘nuliu
‘. Tada ARSV(p,q) lygtis turi
vieninteli‘stacionaru
‘sprendini
‘
Xt =∞∑
j=−∞ψjZt−j ;
cia koeficientai {ψj} apskaiciuojami is lygybes
ψ(z) ≡ θ(z)
ϕ(z), R−1 < |z| < R.
I‘rodymas. Is 4.1 teoremos isplaukia, kad {Xt = ψ(B)Zt} yra sta-
cionarioji seka. Is cia
ϕ(B)Xt = ϕ(B)ψ(B)Zt,
arba
ϕ(B)Xt = θ(B)Zt.
23
Taigi Xt yra stacionarus ARSV lygties sprendinys.
Parodysime, kad jis yra vienintelis. Tarkime,Xt yra bet kuris ARSV
lygties ϕ(B)Xt = θ(B)Zt sprendinys. Kadangi ϕ(z) = 0 ant apskritimo
|z| = 1, tai 1/ϕ(z) =∑∞
−∞ ξjzj ≡ ξ(z) kazkokiame ziede R−1 < |z| < R,
be to, konvergavimas absoliutus. Todel∑∞
−∞ |ξj | <∞ ir is 4.1 teoremos
gauname
ξ(B)ϕ(B)Xt = ξ(B)θ(B)Zt,
arba
Xt = ψ(B)Zt. �
4.1 pratimas. Tarkime, ξ yra ”apibendrintas” atsitiktinis dydis su
reiksmemis aibeje [−∞,∞]. I‘rodyti: jeigu E|ξ| < ∞, tai |ξ| < ∞ P -
beveik visur
4.2 pratimas. Tarkime, AR(2) seka {Xt} apibrezta lygtimis
Xt − ϕ1Xt−1 − ϕ2Xt−2 = Zt, Zt ∼ BT (0, σ2).
I‘rodykite, kad {Xt} kauzali tada ir tik tada, kai (ϕ1, ϕ2) patenka i
‘sriti
‘ϕ1 + ϕ2 < 1,ϕ2 − ϕ1 < 1,|ϕ2| < 1.
24
5. ARSV SEKOS KOVARIACINES FUNKCIJOS
SKAICIAVIMAS
5.1. Tarkime, Xt yra kauzalus lygties
ϕ(B)Xt = θ(B)Zt, Zt ∼ BT (0, σ2)
sprendinys. Tada r(k) = Cov(Xk, X0) randama is lygybes
r(k) = σ2∞∑j=0
ψjψj+|k|; (5.1)
cia ψ(z) ≡∑∞
0 ψjzj = θ(z)/ϕ(z), |z|6 1. Tam, kad suskaiciuotume
(5.1), pakanka i‘sistatyti koeficientus {ψj}, kurie savo ruoztu randami is
lygybes
ψ(z)ϕ(z) = θ(z). (5.2)
I‘state
‘i‘(5.2) israiskas θ(z) = 1+θ1z+...+θqz
q ir ϕ(z) = 1−ϕ1z+...−ϕpzp,
gauname (su θ0 = 1, ϕ0 = −1)
−∞∑j=0
p∑i=0
ψjϕizi+j =
q∑k=0
θkzk,
arba
−∞∑k=0
(
min(p,k)∑i=0
ψk−iϕi)zk =
q∑k=0
θkzk.
Taigi
−min(p,k)∑
i=0
ψk−iϕi =
{θk, kai 06 k6 q,0, kai k > q.
25
Jei p < q, tai
ψk =
θk +k∑
i=1
ψk−iϕi, kai 06 k6 p,
θk +p∑
i=1
ψk−iϕi, kai p < k6 q,
p∑i=1
ψk−iϕi, kai k > q.
(5.3)
Jeigu p> q, tai
ψk =
θk +k∑
i=1
ψk−iϕi, kai 06 k6 q,
k∑i=1
ψk−iϕi, kai q < k6 p,
p∑i=1
ψk−iϕi, kai k > p.
(5.4)
(5.3), (5.4) formules galime uzrasyti glausciau:
ψk −k∑
i=1
ϕiψk−i = θk, kai 06 k < max(p, q + 1), (5.5)
ψk −p∑
i=1
ϕiψk−i = 0, kai k> max(p, q + 1), (5.6)
jei laikysime ϕi = 0, kai i > p ir θj = 0, kai j > q.
Lygtys
ϕ(B)ψk = 0, k> max(p, q + 1) (5.7)
yra homogenines tiesines skirtumines lygtys su pastoviais koeficientais
kintamu‘ju‘{ψk, k> max(p, q + 1) − p} atzvilgiu. Gerai zinoma, kad
bendrasis (5.7) sprendinys yra tokio pavidalo:
ψk =m∑i=1
ri−1∑j=0
cijkjz−k
i , k> max(p, q + 1)− p; (5.8)
26
cia z1, ..., zm – skirtingi ϕ(z) nuliai, ri – atitinkamo nulio kartotinu-
mas (∑m
1 ri = p) ir cij – laisvosios konstantos. p konstantu‘cij ir
nezinomuosius ψk, 06 k < max(p, q + 1) − p, randame is max(p, q + 1)
(5.5) krastiniu‘sa‘lygu
‘. Taigi {ψk} apskaiciuojami pagal toki
‘algoritma
‘:
1 zingsnis. Is pirmu‘ju‘max(p, q+ 1)− p (5.5) lygciu
‘randame nezi-
nomuosius ψk, 06 k < max(p, q + 1)− p.
2 zingsnis. Uzrasome bendra‘ji‘sprendini
‘(5.8):
ψk =m∑i=1
ri−1∑j=0
cijkjz−k
i , k> max(p, q + 1)− p.
3 zingsnis. p konstantu‘cij randame i
‘sistate
‘(5.8) i
‘likusias p (5.5)
lygciu‘.
5.1 pavyzdys. Rasime ARSV(2, 1) proceso
Xt − 0, 5Xt−1 + 0, 04Xt−2 = Zt + 0, 25Zt−1, Zt ∼ BT (0, σ2), (5.9)
koeficientus ψk jo kauzaliajame destinyje
Xt =∞∑k=0
ψkZt−k.
Siuo atveju
ϕ(z) = 1− 0, 5z + 0, 04z2,
θ(z) = 1 + 0, 25z.
(5.5) krastines sa‘lygos yra tokio pavidalo:
ψ0 = θ0 = 1,
ψ1 = θ1 + ψ0ϕ1 =3
4,
ψ2 = ψ1ϕ1 + ψ0ϕ2 =67
200.
27
Bendrasis lygciu‘
ψk − 0, 5ψk−1 + 0, 04ψk−2 = 0, k> 2,
sprendinys yra
ψk = c10
(52
)−k
+ c2010−k, k> 0.
Vadinasi, norint rasti konstantas c10 ir c20, reikia isspre‘sti lygciu
‘sistema
‘c10 + c20 = 1,
2
5c10 +
1
10c20 =
3
4.
Is cia c10 =13
6, c20 = −7
6ir
ψk =13
6
(52
)−k
− 7
610−k, k> 0.
Turedami seka‘{ψk}, apskaiciuosime (5.9) laiko eilutes kovariacine
‘funk-
cija‘r(n) (n> 0):
r(n) = σ2∞∑j=0
ψjψj+n =
= σ2∞∑j=0
(136
(52
)−j
− 7
610−j
)(136
(52
)−j−n
− 7
610−j−n
)=
=125
864σ2
(1437
(52
)−n
− 287
3310−n
). (5.10)
5.2. Kai norime rasti tik kovariacines funkcijos reiksmes, neskai-
ciuodami visu‘koeficientu
‘{ψk}, galime tai padaryti tokiu budu. Lygti
‘
Xt − ϕ1Xt−1 − ...− ϕpXt−p = Zt + θ1Zt−1 + ...+ θqZt−q
28
skaliariskai padauginame is Xt−k. Gauname:
r(k)− ϕ1r(k − 1)− ...− ϕpr(k − p) =
=
σ2q∑
j=k
θjψj−k, kai k6 q, (5.11)
0, kai k > q. (5.12)
Kaip ir anksciau, (5.11) ir (5.12) lygtis galime uzrasyti (su k> 0):
r(k)− ϕ1r(k − 1)− ...− ϕpr(k − p) =
=
σ2q∑
j=k
θjψj−k, kai k < max(p, q + 1), (5.13)
0, kai k> max(p, q + 1). (5.14)
(5.14) homogeniniu‘lygciu
‘bendrasis sprendinys velgi yra pavidalo
r(k) =m∑i=1
ri−1∑j=0
dijkjz−k
i , k> max(p, q + 1)− p; (5.15)
cia z1, ..., zm, r1, ..., rm turi ta‘pacia
‘prasme
‘kaip (5.8) formuleje. p
konstantu‘dij ir max(p, q+1)−p kovariaciju
‘r(n) randame is max(p, q+1)
(5.13) krastiniu‘sa‘lygu
‘. Vadinasi, kovariacijos r(n) apskaiciuojamos pa-
gal toki‘algoritma
‘:
1 zingsnis. Is pirmu‘ju‘q + 1 (5.5) lygciu
‘randame nezinomuosius
ψ0, ..., ψq.
2 zingsnis. Uzrasome bendra‘ji‘sprendini
‘
r(k) =
m∑i=1
ri−1∑j=0
dijkjz−k
i , k> max(p, q + 1)− p.
3 zingsnis. p konstantu‘dij ir kovariacijas r(n) (06n < max(p, q +
+1)−p) randame i‘sistate
‘bendra
‘ji‘sprendini
‘(5.15) i
‘max(p, q+1) (5.13)
lygciu‘.
29
5.2 pavyzdys. Gri‘zkime prie to paties 5.1 pavyzdzio. Kadangi
ψ0 = 1, ψ1 = 3/4, tai remiantis (5.12) krastines sa‘lygos siuo atveju yra: r(0)− 0, 5r(1) + 0, 04r(2) = 1, 1875σ2,
r(1)− 0, 5r(0) + 0, 04r(1) = 0, 25σ2.(5.16)
(5.14) homogenines lygtys yra
r(n)− 0, 5r(n− 1) + 0, 04r(n− 2) = 0, n> 2,
kuriu‘bendrasis sprendinys
r(n) = d10
(52
)−n
+ d2010−n, n> 0. (5.17)
I‘sistate
‘(5.17) i
‘(5.15) krastines sa
‘lygas, gausime lygciu
‘sistema
‘504
625d10 +
2376
2500d20 = 1, 1875σ2,
− 21
250d10 +
99
250d20 = 0, 25σ2,
kurios sprendinys yra d10 =17875
6048σ2 ir d20 = −35875
28512σ2. I
‘state
‘d10 ir
d20 i‘(5.17) lygybe
‘, gauname (5.10) formule
‘.
5.3. Norint rasti pirmuosius kovariacines sekos {r(n), n> 0} na-
rius, galima tai daryti ir rekurentiskai. Is pirmu‘ju‘p + 1 (5.13) lygciu
‘
apskaiciuojame r(0), ..., r(p). Likusius sekos narius r(p + 1), r(p + 2), ...
randame rekurentiskai.
5.3 pavyzdys. Proceso, apibrezto 5.1 pavyzdyje, kovariacine funk-
cija tenkina lygciu‘sistema
‘r(0)− 0, 5r(1) + 0, 04r(2) = 1, 1875σ2,
r(1)− 0, 5r(0) + 0, 04r(1) = 0, 25σ2,
r(1)− 0, 5r(0) + 0, 04r(1) = 0.
30
Is cia
r(0) =169375
99792σ2 ≈ 1, 697σ2,
r(1) =421675
399168σ2 ≈ 1, 056σ2,
r(2) =367475
798336σ2 ≈ 0, 460σ2.
Kitos kovariacines funkcijos reiksmes randamos rekurentiskai is lygybes:
r(k + 2) = 0, 5r(k + 1)− 0, 04r(k), k> 1.
5.4. Ieskant kovariacines funkcijos, galima naudoti ir generuojan-
ciu‘ju‘funkciju
‘metoda
‘.
5.1 apibrezimas. Stacionaraus proceso {Xt, t ∈ Z} su kovariacija
r(·) kovariacine generuojancioji funkcija apibreziama lygybe
g(z) =
∞∑j=−∞
r(j)zj ; (5.18)
cia (5.18) eilutes konvergavimo sritis yra ziedas δ−1 < |z| < δ, δ > 1.
Taigi r(j) yra koeficientas prie zj arba z−j kovariacines generuo-
janciosios funkcijos (5.18) skleidinyje.
5.4 pavyzdys. Tarkime,
Xt =∞∑
i=−∞ψiZt−i, Zt ∼ BT (0, σ2); (5.19)
cia ψ(z) ≡∑∞
−∞ ψizi absoliuciai konverguoja ziede δ−1 < |z| < δ, δ > 1.
31
Tada
r(j) = σ2∞∑
i=−∞ψiψi+|j|
ir
g(z) = σ2∞∑
i,j=−∞ψiψi+|j|z
j = σ2∞∑
i=−∞ψiz
i∞∑
j=−∞ψjz
−j . (5.20)
(5.20) formule‘galime uzrasyti trumpiau:
g(z) = σ2ψ(z)ψ(z−1), δ−1 < |z| < δ. (5.21)
5.5 pavyzdys. Is 4.4 teoremos zinome, kad bet kuri ARSV(p, q)
seka ϕ(B)Xt = θ(B)Zt su funkcija ϕ(z), neturincia nuliu‘ant apskritimo
|z| = 1, gali buti uzrasyta (5.19) pavidalu. Koeficientai {ψi} apskaiciuo-
jami is lygybes
ψ(z) =θ(z)
ϕ(z).
Is (5.21) isplaukia, kad ARSV(p, q) sekos kovariacine generuojancioji
funkcija yra
g(z) = σ2 θ(z)θ(z−1)
ϕ(z)ϕ(z−1), δ−1 < |z| < δ, δ > 1.
5.1 pratimas. ARSV(2,1) seka apibrezta lygybe
Xt −Xt−1 +1
4Xt−2 = Zt + Zt−1, kur Zt ∼ BT (0, σ2).
Apskaiciuoti kauzaliojo destinio Xt =∑∞
0 ψiZt−i koeficientus {ψi} ir
kovariacine‘funkcija
‘EX0Xk.
32
5.2 pratimas. Duota SV(2) seka
Xt = Zt + θ1Zt−1 + θ2Zt−2.
Uzrase‘kovariacine
‘generuojancia
‘ja‘funkcija
‘, apskaiciuokite sios sekos
kovariacine‘funkcija
‘r(k).
6. SPEKTRINE KOVARIACINES FUNKCIJOS
ISRAISKA
6.1 apibrezimas. {Xt, t ∈ Z} vadinamas kompleksine stacionaria
seka, jeigu:
1) ∀t ∈ Z E|Xt|2 <∞,
2) ∀t ∈ Z EXt = EX0,
3) ∀t, h ∈ Z Cov(Xt+h, Xt) ≡ E(Xt+h − EXt+h)(Xt − EXt) =
= Cov(Xh, X0).
Kaip ir anksciau zymesime r(h) = Cov(Xh, X0).
6.1 pastaba. Tarkime, H2 yra tokia aibe kompleksiniu‘atsitiktiniu
‘
dydziu‘X, kad E|X|2 <∞. Pazymekime
⟨X,Y ⟩ = EXY .
Erdve H2 (tiksliau erdve ekvivalenciu‘atsitiktiniu
‘dydziu
‘klasiu
‘) su
skaliarine sandauga ⟨X,Y ⟩ ir norma ∥X∥ = ⟨X,X⟩1/2 yra pilna, taigi
yra Hilberto erdve. Todel kovariacine‘funkcija
‘galima butu
‘sutapatinti
su skaliarine sandauga ir taikyti Hilberto erdviu‘teorijos rezultatus.
33
Kompleksinio proceso kovariacines funkcijos savybes:
1) r(0)> 0,
2) |r(h)|6 r(0) su visais h,
3) r(h) = r(−h) su visais h (tokia funkcija vadinama Ermito).
Panasiai kaip ir anksciau galetume i‘rodyti tokia
‘teorema
‘.
6.1 teorema. Ermito funkcija r : Z → C yra kompleksines sta-
cionarios sekos kovariacine funkcija tada ir tik tada, kai r yra neneigiamai
apibrezta, t.y ∀n ∈ N, (a1, ..., an) ∈ Cn, (t1, ..., tn) ∈ Zn
n∑i,j=1
aiajr(ti − tj)> 0.
Dabar pateiksime pavyzdi‘, kuris iliustruoja pagrindine
‘sio skyrelio
teorema‘.
6.1 pavyzdys. Seka‘{Xt, t ∈ Z} apibrezkime lygybe
Xt =N∑
k=1
Akeitλk ; (6.1)
cia: −π < λ1 < ... < λN 6π, A1, ..., AN – nekoreliuoti atsitiktiniai
dydziai ir EAk = 0, E|Ak|2 = σ2k > 0 su k = 1, 2, ..., N . Taip apibrezta
seka yra stacionari su vidurkiu 0 ir kovariacine funkcija
r(h) =N∑
k=1
σ2ke
ihλk . (6.2)
Apibrezkime funkcija‘
F (λ) =∑
k:λk 6λ
σ2k.
34
Tada kovariacine funkcija (6.2) gali buti uzrasyta kaip Lebego–Styltjeso
integralas:
r(h) =
∫ π
−π
eihλdF (λ). (6.3)
Stacionaria‘seka
‘(6.1) galima interpretuoti kaip harmoniku
‘eitλk su
atsitiktinemis amplitudemis Ak ir intensyvumais σ2k = E|Ak|2 suma
‘.
Taigi, zinodami F (λ), galime apskaiciuoti kovariacine‘funkcija
‘r(h) ir
kartu nustatyti kiekvieno daznio λk intensyvuma‘.
Funkcija F (·), atitinkamai normuota, yra pasiskirstymo funkcija
(siame pavyzdyje ji dalimis pastovi). Jos nesejas yra sukoncentruotas
intervale (−π, π], t.y. F (λ) = 0 su λ6 − π ir F (λ) = F (π) su λ > π.
Mes i‘rodysime, kad kiekvienos stacionarios sekos kovariacine funkcija
gali buti uzrasyta (6.3) pavidalu.
Pasirodo, kad bet kuriam stacionariam procesui Yt galima sukon-
struoti (6.1) pavidalo procesa‘, kurio spektrine pasiskirstymo funkcija ir
kovariacine funkcija aproksimuotu‘atitinkamas Yt charakteristikas. Pa-
renkant σ21 , ..., σ
2N ir pakankamai dideli
‘N , galima FY aproksimuoti kokiu
norima tikslumu.
6.2 pavyzdys. Tarkime, Zt ∼ BT (0, 1), t.y.
r(h) =
{1, kai h = 0,0, kai h = 0.
Tada
r(h) =
∫ π
−π
eihλdF (λ)
35
su
F (λ) =
∫ λ
−π
f(ν)dν;
cia f(ν) =1
2π, −π < ν6π.
Matome, kad balto triuksmo seka {Zt} yra sudaryta is harmoniku‘,
turinciu‘ta‘pati
‘intensyvuma
‘. Tai paaiskina tokios sekos pavadinima
‘:
balta spalva yra gaunama is vienodo intensyvumo spektro spalvu‘.
Pazymekime raide IF aibe‘funkciju
‘F : [−π, π] → [0,∞), kurios yra
tolydzios is desines nemazejancios apreztos ir tenkina sa‘lyga
‘F (−π) = 0.
6.2 (Hergloco) teorema. Kompleksine funkcija {r(h), h ∈ Z}
yra neneigiamai apibrezta tada ir tik tada, kai
r(h) =
∫ π
−π
eihλdF (λ) (6.4)
su kazkokia (ir vienintele) F ∈ IF (F vadinama spektrine pasiskirstymo
funkcija, o jeigu F (λ) =∫ λ
−πf(ν)dν, λ ∈ [−π, π], tai f – spektriniu
tankiu).
I‘rodymas. B u t i n u m a s. Apibrezkime pagalbine
‘funkcija
‘fn(λ),
λ ∈ [−π, π], lygybe
fn(λ) =1
2πn
n∑s,t=1
e−isλr(s− t)eitλ =1
2π
∑|m|<n
(1− |m|n
)r(m)e−imλ.
Kadangi r(·) yra neneigiamai apibrezta funkcija, tai fn(λ)> 0.
Pazymekime
Fn(λ) =
∫ λ
−π
fn(ν)dν.
36
Tada ∫ π
−π
eihλdFn(λ) =1
2π
∑|m|<n
(1− |m|n
)r(m)
∫ π
−π
ei(h−m)λdλ =
=
(1− |h|n )r(h), kai |h| < n,
0, kai |h|>n.
(6.5)
Kadangi Fn(π) =∫ π
−πdFn(λ) = r(0) < ∞ su visais n, tai Fn ∈ IF.
Is Helio teoremos isplaukia, jog egzistuoja toks posekis {nk}, kad Fnk
silpnai konverguoja i‘F ∈ IF. Todel∫ π
−π
g(λ)dFnk(λ) →
∫ π
−π
g(λ)dF (λ), kai k → ∞
su kiekviena tolydzia intervale [−π, π] funkcija g. Taigi∫ π
−π
eihλdFnk(λ) −→
k→∞
∫ π
−π
eihλdF (λ).
Is (6.5) isplaukia lygybe
r(h) =
∫ π
−π
eihλdF (λ).
P a k a n k a m u m a s. Is kovariacines funkcijos (6.4) israiskos
isplaukia, kad r(·) yra Ermito funkcija.
Ji yra neneigiamai apibrezta, kadangi
n∑r,s=1
arasr(tr − ts) =n∑
r,s=1
aras
∫ π
−π
eiλ(tr−ts)dF (λ) =
=
∫ π
−π
|n∑
r=1
areiλtr |2dF (λ)> 0
37
su visais n> 1, a1, ..., an ∈ C, t1, ..., tn ∈ Z. Is 6.1 teoremos gauname,
jog r(·) – kovariacine funkcija.
I‘rodysime funkcijos F vienati
‘. Tarkime, F1 ir F2 yra dvi klases IF
funkcijos, tenkinancios lygybe‘
r(h) ≡∫ π
−π
eihλdF1(λ) =
∫ π
−π
eihλdF2(λ), h ∈ Z.
Kadangi bet kuria‘tolydzia
‘intervale [−π, π] funkcija
‘galima tolygiai
aproksimuoti trigonometriniais daugianariais, tai teisinga ir lygybe∫ π
−π
g(λ)dF1(λ) =
∫ π
−π
g(λ)dF2(λ)
su visomis g ∈ C[−π, π]. Taigi F1 = F2. �
6.1 isvada. Tarkime r(·) yra kompleksine funkcija,∑∞
−∞ |r(h)| <
< ∞. Tada r(·) yra stacionarios sekos kovariacine funkcija tada ir tik
tada, kai∞∑−∞
e−ihλr(h)> 0
su visais λ ∈ [−π, π]. Tokiu atveju funkcija f(λ) = 12π
∑∞−∞ e−ihλr(h)
yra spektrinis tankis, atitinkantis kovariacine‘funkcija
‘r(·).
I‘rodymas. B u t i n u m a s. Tarkime, r(·) – kovariacine funkcija.
Kadangi ji yra neneigiamai apibrezta, tai
fn(λ) =1
2πn
n∑s,t=1
e−isλr(s− t)eitλ > 0.
Kita vertus, kadangi r(·) yra absoliuciai sumuojama, tai
fn(λ) =1
2π
∑|m|<n
(1− |m|n
)e−imλr(m) −→n→∞
1
2π
∞∑m=−∞
e−imλr(m) = f(λ).
(6.6)
38
Is (6.6) gauname, kad f(λ)> 0 su λ ∈ [−π, π]. Tai, jog f(λ) yra spektrinis
tankis, isplauks is Hergloco teoremos, jei i‘rodysime lygybe
‘
r(h) =
∫ π
−π
eihλf(λ)dλ.
Desine sios lygybes puse yra∫ π
−π
eihλf(λ)dλ =
∫ π
−π
1
2π
∞∑m=−∞
ei(h−m)λr(m)dλ.
Kadangi∫ π
−π
1
2π
∞∑m=−∞
|ei(h−m)λr(m)|dλ =
∫ π
−π
1
2π
∞∑m=−∞
|r(m)|dλ <∞,
tai is Fubini teoremos∫ π
−π
eihλf(λ)dλ =1
2π
∞∑m=−∞
r(m)
∫ π
−π
ei(h−m)λdλ = r(h).
P a k a n k a m u m a s. Sakykime, f(λ) = 12π
∑∞−∞ e−ihλr(h)> 0.
Kadangi∑∞
−∞ |r(h)| <∞, tai∫ π
−π
eihλf(λ)dλ = r(h),
ir is 6.2 teoremos isplaukia, kad r(·) – kovariacine funkcija. �
6.2 pastaba. Is 6.1 ir 6.2 teoremu‘gauname, jog tam, kad kom-
pleksine funkcija r(·) butu‘stacionarios sekos kovariacine funkcija, butina
ir pakanka, kadn∑
i,j=1
aiajr(ti − tj)> 0
39
su visais n ∈ N, (a1, ..., an) ∈ Cn, (t1, ..., tn) ∈ Zn, arba
r(h) =
∫ π
−π
eihλdF (λ)
su visais h ∈ Z ir kazkokia F ∈ IF.
6.3 pastaba. Tarkime, {Xt} yra realus stacionarus procesas. Tada
jo kovariacine funkcija
r(h) =
∫ π
−π
cos (λh)dF (λ).
Jeigu egzistuoja spektrinis tankis f(·), tai f(λ) = f(−λ), −π6λ6π, ir
todel
r(h) = 2
∫ π
0
cos (λh)f(λ)dλ.
Taigi funkcija f(λ), λ ∈ [−π, π], yra realaus stacionaraus proceso spek-
trinis tankis tada ir tik tada, kai:
1) ∀λ ∈ [−π, π] f(λ)> 0,
2) ∀λ ∈ [−π, π] f(λ) = f(−λ),
3)∫ π
−πf(λ)dλ <∞.
Tai leidzia tikrinti absoliuciai sumuojamos funkcijos neneigiama‘api-
breztuma‘, naudojantis daug patogesniu ir informatyvesniu kriterijumi
negu tiesioginis apibrezimas.
6.1 pavyzdys. Pasireme‘6.1 isvada, parodysime (zr. 3.2 pratima
‘),
kad funkcija
r(h) =
1, kai h = 0,ρ, kai h = ±1,0, kai |h| > 1
40
yra kovariacine funkcija tada ir tik tada, kai |ρ|6 1/2.
r(·) yra absoliuciai sumuojama, todel
f(λ) =1
2π
∞∑−∞
e−ihλr(h) =1
2π(1 + 2ρ cosλ).
Is cia isplaukia, kad
∀λ ∈ [−π, π] f(λ)> 0, ⇐⇒ |ρ|6 1
2.
6.1 pratimas. I‘rodyti, kad kiekviena neneigiamai apibrezta funk-
cija yra Ermito funkcija.
6.2 pratimas. I‘rodyti (6.6) konvergavima
‘.
6.3 pratimas. Sakykime, ϕ(·) ir θ(·) yra daugianariai, neturintys
bendru‘nuliu
‘ir ϕ(z) = 0 su kazkokiu z ∈ C, |z| = 1. Naudodamiesi
sa‘rysiu tarp {Xt} ir {Zt} spektriniu
‘pasiskirstymo funkciju
‘, priestaros
metodu i‘rodykite, kad ARSV lygtys
ϕ(B)Xt = θ(B)Zt, Zt ∼ BT (0, σ2)
neturi stacionaraus sprendinio.
41
7. ARSV SEKOS SPEKTRINIS TANKIS
Siame skyrelyje isvesime ARSV sekos spektrinio tankio formule‘.
Pries tai i‘rodysime svarbia
‘teorema
‘apie stacionarios sekos tiesines trans-
formacijos spektra‘.
7.1 teorema. Tarkime, {Yt} yra stacionarus kompleksinis proce-
sas su nuliniu vidurkiu, spektrine pasiskirstymo funkcija FY ir
Xt =∞∑
j=−∞ψjYt−j ;
cia∑∞
−∞ |ψj | <∞.
Tada {Xt} – stacionari seka su spektrine pasiskirstymo funkcija
FX(λ) =
∫ λ
−π
|ψ(e−iν)|2dFY (ν), λ ∈ [−π, π]; (7.1)
cia ψ(e−iν) ≡∑∞
−∞ ψje−iνj .
I‘rodymas. Is 4.1 teoremos analogo kompleksiniu atveju isplaukia,
kad {Xt} yra stacionarus kompleksinis procesas su nuliniu vidurkiu ir
kovariacine funkcija
rX(h) ≡ EXhX0 =
∞∑j,k=−∞
ψjψkrY (h− j + k), h ∈ Z. (7.2)
I‘state
‘i‘(7.2) israiska
‘rY (n) =
∫ π
−πeinλdFY (λ) ir pasinaudoje
‘Fubini
teorema, gauname
rX(h) =
∞∑j,k=−∞
ψjψk
∫ π
−π
ei(h−j+k)λdFY (λ) =
=
∫ π
−π
(∞∑
j=−∞ψje
−ijλ)(∞∑
k=−∞
ψkeikλ)eihλdFY (λ) =
=
∫ π
−π
eihλ|ψ(e−iλ)|2dFY (λ) =
∫ π
−π
eihλdFX(λ);
42
cia FX(λ) apibreztas (7.1) lygybe.�
7.1 isvada. Jeigu egzistuoja stacionariosios sekos {Yt} spektrinis
tankis fY ir Xt =∑∞
−∞ ψjYt−j ,∑
|ψj | <∞, tai {Xt} spektrinis tankis
yra
fX(λ) = |ψ(e−iλ)|2fY (λ).
Pasireme‘7.1 isvada, isvesime ARSV(p, q) spektrinio tankio formule
‘.
7.2 teorema. Tarkime, {Xt} yra ARSV(p, q) seka
ϕ(B)Xt = θ(B)Zt, Zt ∼ BT (0, σ2);
cia ϕ(z) su θ(z) neturi bendru‘nuliu
‘ir ϕ(z) = 0, kai |z| = 1. Tada
egzistuoja sekos {Xt} spektrinis tankis
fX(λ) =σ2
2π
∣∣∣ θ(e−iλ)
ϕ(e−iλ)
∣∣∣2, λ ∈ [−π, π]
(toks tankis vadinamas racionaliuoju spektriniu tankiu).
I‘rodymas. Is 4.4 teoremos zinome, kad ARSV(p, q) lygties sprendi-
nys turi pavidala‘Xt =
∑∞−∞ ψjZt−j su
∑|ψj | <∞.
Kadangi {Zt} spektrinis tankis yra σ2/2π ≡ fZ(λ) (zr. 6.2 pavyzdi‘),
tai is 7.1 isvados isplaukia, jog {Xt} turi spektrini‘tanki
‘. Pazymekime
Ut := ϕ(B)Xt = θ(B)Zt.
Seka {Ut} yra stacionari su spektriniu tankiu (vel naudojantis 7.1 isvada)
fU (λ) = |ϕ(e−iλ)|2fX(λ) = |θ(e−iλ)|2fZ(λ).
43
Kadangi ϕ(z) = 0, kai |z| = 1, tai
fX(λ) =σ2
2π
∣∣∣ θ(e−iλ)
ϕ(e−iλ)
∣∣∣2. �7.1 pastaba. Tarkime Xt tenkina lygti
‘
ϕ(B)Xt = θ(B)Zt, Zt ∼ BT (0, σ2);
cia ϕ(z) = 0, kai |z| = 1.
Pazymekime daugianario ϕ(z) = 1−ϕ1z− ...−ϕpzp nulius z1, ..., zp.
Tada nesunku i‘sitikinti, kad
ϕ(z) = (1− z
z1)...(1− z
zp).
Sunumeruokime ϕ(z) nulius taip, kad pirmieji butu‘tie, kurie yra uz
skritulio |z|6 1, o likusieji – skritulyje |z| < 1, t.y.
|zj | > 1, j = 1, ..., s,
|zj | < 1, j = s+ 1, ..., p.
Is 7.2 teoremos isplaukia, kad {Xt} turi spektrini‘tanki
‘
fX(λ) =σ2
2π
|θ(e−iλ)|2∏sj=1 |1− z−1
j e−iλ|2∏p
j=s+1 |1− z−1j e−iλ|2
.
Apibrezkime
ϕ(z) =s∏
j=1
(1− z
zj)
p∏j=s+1
(1− zjz).
Kadangi visi ϕ(z) nuliai yra uz skritulio |z|6 1, tai lygybe
ϕ(B)Xt = θ(B)Zt, Zt ∼ BT (0, σ2),
44
apibrezia kauzalia‘ja‘ARSV(p, q) seka
‘{Xt}. Pakeisime balto triuksmo
sekos dispersija‘taip, kad seku
‘{Xt} ir {Xt} spektriniai tankiai (kartu ir
kovariacijos) taptu‘lygus.
Turime
|1− zje−iλ| = |zj | |1− z−1
j e−iλ|,
todel
fX(λ) =σ2
2π
|θ(e−iλ)|2
|ϕ(e−iλ)|2=
=σ2
2π
|θ(e−iλ)|2s∏
j=1
|1− z−1j e−iλ|2
p∏j=s+1
(|zj |2|1− z−1j e−iλ|2)
=
=σ2
2π
|θ(e−iλ)|2
|ϕ(e−iλ)|2p∏
j=s+1
|zj |−2 = fX(λ)
p∏j=s+1
|zj |−2.
Jeigu apibresime nauja‘balto triuksmo seka
‘Zt ∼ BT (0, σ2
p∏j=s+1
|zj |2),
tai lygciu‘
ϕ(B)Xt = θ(B)Zt, t ∈ Z,
sprendinys {Xt} bus kauzali seka, turinti ta‘pati
‘spektrini
‘tanki
‘kaip ir
seka {Xt}, t.y. fX(λ) = fX(λ).
7.1 pavyzdys. Lygtys
Xt − 2Xt−1 = Zt + Zt−1, Zt ∼ BT (0, σ2),
apibrezia nekauzalia‘ARSV(1,1) seka
‘, nes lygties 1− 2z = 0 saknis yra
z1 = 1/2. ”Kauzalus” daugianaris siuo atveju yra ϕ(z) = 1− 12z, ir
Xt −1
2Xt−1 = Zt + Zt−1, Zt ∼ BT (0,
σ2
4),
45
apibrezia kauzalia‘ja‘seka
‘su spektriniu tankiu
fX(λ) = fX(λ) =σ2
2π
|1 + e−iλ|2
|1− 2e−iλ|2=σ2
π
1 + cosλ
5− 4 cosλ.
7.1 pratimas. Sakykime, duota ARSV(p, q) lygtis ϕ(B)Xt =
= θ(B)Zt, Zt ∼ BT (0, σ2); cia ϕ(z)θ(z) = 0, kai |z| = 1. Panasiai kaip
7.1 pastaboje sukonstruokite kauzalu‘ir apgre
‘ziama
‘ARSV(p, q) procesa
‘
su spektriniu tankiu, lygiu {Xt} spektriniam tankiui.
8. STACIONARIOSIOS SEKOS VIDURKIO IR
KOVARIACINES FUNKCIJOS I‘VERCIAI
1. Vidurkio i‘vertis. Tarkime, X1, ..., Xn yra imtis is stacionarios
sekos {Xt, t ∈ Z}. Pazymekime
X =1
n
n∑i=1
Xi.
8.1 teorema. Sakykime, {Xt} yra stacionari seka su vidurkiu µ
ir kovariacine funkcija r(·). Tada tvirtinimai
(1) E|X − µ|2 → 0
ir
(2)1
n
n∑k=1
r(k) → 0
46
yra ekvivalentus.
I‘rodymas. (1) =⇒ (2). Turime
| 1n
n∑k=1
r(k)|2 = | 1n
n∑k=1
E(Xk − µ)(X0 − µ)|2 =
= |E(1
n
n∑k=1
(Xk − µ))(X0 − µ)|2 6E| 1n
n∑k=1
(Xk − µ)|2E|X0 − µ|2 =
= E|X − µ|2E|X0 − µ|2 −→n→∞
0.
(2) =⇒ (1). Pazymekime sn =∑n
1 r(k) ir perrasykime
E|X − µ|2 =1
n2
n∑i,j=1
r(i− j) =1
n
∑|m|<n
(1− |m|n
)r(m) =
=1
n2(nr(0) + 2
n−1∑i=1
si).
Fiksuotam ϵ > 0 imkime toki‘N , kad su visais n > N butu
‘teisinga
nelygybe | 1nsn| < ϵ. Tada su pakankamai dideliais n
E|X − µ|2 6 r(0)
n+
2
n2
n−1∑i=1
|si| =r(0)
n+
2
n2(
N∑i=1
|si|+n−1∑
i=N+1
|si|)6
6 r(0)
n+
2
n2(
N∑i=1
|si|+n−1∑
i=N+1
iϵ)6 r(0)
n+
2
n2
N∑i=1
|si|+ 2ϵ −→n→∞
2ϵ.
Kadangi ϵ > 0 buvo laisvai pasirinktas, tai E|X − µ|2 → 0. �
8.1 isvada. Tarkime, teisingos 8.1 teoremos prielaidos. Tuomet
(1) jeigu r(n) → 0, tai E|X − µ|2 → 0,
47
(2) jeigu∑k∈Z
|r(k)| <∞, tai nE|X − µ|2 →∑k∈Z
r(k).
I‘rodymas. (1) tiesiogiai isplaukia is 8.1 teoremos, o (2) – is lygybiu
‘
limn→∞
nE|X − µ|2 = limn→∞
1
n
n∑i,j=1
r(i− j) =
= limn→∞
∑|k|<n
(1− |k|n)r(k) =
∑k∈Z
r(k). �
8.1 pastaba. Jeigu∑∞
−∞ |r(k)| < ∞, tai, pasireme‘8.1 isvada,
galime teigti, jog egzistuoja spektrinis tankis f(·) ir
nE|X − µ|2 →∑k∈Z
r(k) = 2πf(0).
Dvipusio slenkancio vidurkio sekos atveju (zr. 8.1 pratima‘) turime lygy-
be‘
2πf(0) = σ2|∞∑
k=−∞
ψk|2.
8.2 pastaba. Vietoje empirinio vidurkio X galima nagrineti ir ki-
tokius i‘vercius, pavyzdziui, geriausia
‘tiesini
‘nepaslinkta
‘vidurkio i
‘verti
‘
(zr. 8.2 pratima‘). Taciau yra zinoma, kad jo asimptotines savybes ne-
siskiria nuo X savybiu‘.
8.3 pastaba. Norint sukonstruoti vidurkio µ pasikliautina‘ji‘in-
tervala‘, reikia rezultatu
‘apie X asimptotini
‘normaluma
‘. Kadangi ju
‘
i‘rodymas yra gana ilgas, jie cia nepateikiami. Pastebesime tik, kad tuo
atveju, kai stebimoji imtis gauta is stacionarios Gauso sekos, galima
uzrasyti tikslu‘X skirstini
‘:
√n(X − µ) ∼ N
(0,
∑|m|<n
(1− |m|
n
)r(n)
).
48
Taigi, jeigu kovariacine funkcija yra zinoma, galime sukonstruoti tikslu‘
vidurkio µ pasikliautina‘ji‘intervala
‘. Nezinant kovariacines funkcijos,
imamas jos i‘vertis.
2. Kovariacines funkcijos i‘vertis. Tarkime, X1, ..., Xn yra imtis
is stacionarios sekos {Xt} su nezinomais vidurkiu ir kovariacija.
Kovariacines funkcijos i‘verti
‘apibrezkime lygybe
r(h) =1
n
n−|h|∑k=1
(Xk −X)(Xk+|h| −X), 06 |h| < n. (8.1)
Sis i‘vertis pasizymi tuo, kad su visais n> 1 matrica
Rn =
r(0) r(1) . . . r(n− 1)r(1) r(0) . . . r(n− 2). . . . . .
r(n− 1) r(n− 2) . . . r(0)
(8.2)
yra neneigiamai apibrezta.
8.1 teiginys. Matrica Rn, apibrezta (8.2) lygybe, yra neneigiamai
apibrezta su visais n> 1.
I‘rodymas. Turime
Rn =1
nDnD
′n;
cia
Dn =
0 . . . 0 0 Y1 Y2 . . . Yn−1 Yn0 . . . 0 Y1 Y2 . . . . Yn 0. . . . . . . . . . . . .0 Y1 . . . . Yn 0 . . . 0 0
yra n× 2n matrica ir Yj = Xj −X, 16 j6n.
49
Tada su visais a = (a1, ..., an) ∈ Rn
a′Rna =1
na′DnD
′na =
1
n(a′Dn)(a
′Dn)′ > 0. �
Koreliacines funkcijos ρ(h) i‘verciu laikysime
ρ(h) =r(h)
r(0).
Aisku, kad atitinkama empirine koreliacine matrica taip pat bus nenei-
giamai apibrezta.
Del paprastumo nuo siol nagrinejamosios stacionariosios sekos vi-
durki‘laikysime lygiu nuliui (EXt = 0) ir
r(h) =1
n
n−|h|∑k=1
XkXk+|h|, 06 |h| < n. (8.3)
8.4 pastaba. Kadangi Er(h) = (1 − |h|n)r(h), tai r(h) yra tik
asimptotiskai nepaslinktas r(h) i‘vertis. Del sios priezasties daugiklis n−1
(8.1) ar (8.3) lygybese daznai keiciamas daugikliu (n − |h|)−1. Taciau
tada matrica Rn yra nebutinai neneigiamai apibrezta.
8.2 teorema. Tarkime, {Xt} yra stacionarioji seka su vidurkiu 0
ir kovariacija r(·). Tarkime, be to, kad su visais h seka {Xt+hXt, t ∈ Z}
taip pat yra stacionari. Tada yra ekvivalentus tokie du teiginiai:
(1) E|r(h)− r(h)|2 −→n→∞
0
ir
(2)1
n
n∑k=1
E(Xk+hXk − r(h))(XhX0 − r(h)) −→n→∞
0.
50
I‘rodymas. Fiksuokime h> 0 ir pazymekime ξk = Xk+hXk. Tada su
pakankamai dideliais n
r(h) = (1− h
n)ξn−h; (8.4)
cia ξm = m−1∑m
1 ξm. Kadangi {ξk} yra stacionari seka su vidurkiu
r(h), tai is 8.1 teoremos isplaukia, jog teiginiai
E|ξn−h − r(h)|2 −→n→∞
0
ir
1
n− h
n−h∑k=1
E(ξk − r(h))(ξ(0)− r(h)) −→n→∞
0
yra ekvivalentus. Pasinaudoje‘(8.4) lygybe, gauname teoremos teigini
‘.
�
8.5 pastaba Teoremos prielaida bus teisinga, jeigu, pavyzdziui,
{Xt} – stacionarioji siaura‘ja prasme seka su nuliniu vidurkiu ir baigtiniu
ketvirtuoju momentu (E|X0|4 <∞) arba {Xt} – 4-os eiles stacionarioji
seka (zr. 2.3 apibrezima‘).
Jeigu nagrinejamoji seka yra Gauso, tai gauname toki‘rezultata
‘:
8.2 isvada. Tarkime, {Xt} yra stacionari Gauso seka su vidurkiu
0 ir kovariacija r(·). Tada yra ekvivalentus sie du teiginiai:
(1) E|r(h)− r(h)|2 −→n→∞
0
(2)1
n
n∑k=1
r2(k) −→n→∞
0.
51
I‘rodymas. Pasireme
‘8.3 pratimu, galime teigti, kad 8.2 teoremos (2)
sa‘lyga yra ekvivalenti
1
n
n∑k=1
(EXk+hXkXhX0 − r2(h)) =1
n
n∑k=1
(EXk+hXkEXhX0+
+ EXk+hXhEXkX0 + EXk+hX0EXkXh − r2(h)) =
=1
n
n∑k=1
(r2(h) + r(k + h)r(k − h)) −→n→∞
0. (8.5)
Pasinaudoje‘nelygybe
|r(k + h)r(k − h)|6 r2(k + h) + r2(k − h),
gauname, kad (8.5) teisinga, kai
1
n
n∑k=1
r2(k) −→n→∞
0.
Kita vertus, is (8.5) su h = 0 isplaukia n−1∑n
k=1 r2(k) → 0.�
8.3 isvada. Tarkime, {Xt} yra stacionarioji Gauso seka su nuliniu
vidurkiu ir kovariacija r(·). Tuomet E|r(h)−r(h)|2 −→n→∞
0 tada ir tik tada,
kai spektrine pasiskirstymo funkcija F yra tolydi.
I‘rodymas. Naudodamiesi Hergloco teorema, galime rasyti
1
n
n∑k=1
r2(k) =1
n
n∑k=1
∫ π
−π
eiλkdF (λ)
∫ π
−π
e−iνkdF (ν)
=
∫ π
−π
∫ π
−π
1
n
n∑k=1
ei(λ−ν)kdF (λ)dF (ν) =
∫ π
−π
∫ π
−π
fn(λ, ν)dF (λ)dF (ν);
cia
fn(λ, ν) =1
n
n∑k=1
ei(λ−ν)k =
1, λ = ν,
1
n
ei(λ−ν) − ei(λ−ν)(n+1)
1− ei(λ−ν), λ = ν.
52
Taciau
fn(λ, ν) −→n→∞
1{λ=ν} =
{1, λ = ν,0, λ = ν.
Todel
1
n
n∑k=1
r2(k) →∫ π
−π
∫ π
−π
1{λ=ν}dF (λ)dF (ν) =
=
∫ π
−π
(F (λ)− F (λ−))dF (λ) =∑λ
(F (λ)− F (λ−))2.
Desineje puseje sumuojame pagal visus funkcijos F trukio taskus, kuriu‘
aibe yra ne daugiau kaip skaiti. Taigi E|r(h) − r(h)|2 −→n→∞
0 tada ir
tik tada, kai∑
λ(F (λ) − F (λ−))2 = 0. Tai reiskia, kad spektrine pa-
siskirstymo funkcija F yra tolydi.�
Jeigu {Xt} yra dvipuse slenkancio vidurkio seka, tai su tam tikromis
sa‘lygomis galima gauti ir tikslesni
‘asimptotini
‘rezultata
‘apie i
‘vercio r(h)
suderinamuma‘vidutiniu
‘kvadratu
‘prasme.
8.3 teorema. Tarkime
Xt =∞∑
j=−∞ψjZt−j ;
cia∑∞
−∞ |ψj | < ∞ ir {Zt} yra nepriklausomu‘vienodai pasiskirsciusiu
‘
atsitiktiniu‘dydziu
‘seka su vidurkiu EZ0 = 0, dispersija EZ2
0 = σ2 ir
EZ40 <∞. Tada
limn→∞
nE|r(h)− r(h)|2 = χr2(h) +∞∑
k=−∞
(r2(k) + r(k + h)r(k − h));
cia χ = σ−4EZ40 − 3.
53
I‘rodymas. Turime
E(ZkZlZmZn) =
EZ4
0 , kai k = l = m = n,σ4, kai k = l = m = n,σ4, kai k = m = l = n,σ4, kai k = n = l = m,0, likusiais atvejais.
Todel
E(XsXtXuXv) =∞∑
i,j,i′,j′=−∞ψiψjψi′ψj′E(Zs−iZt−jZu−i′Zv−j′) =
= (EZ40 − 3σ4)
∞∑i=−∞
ψiψi+t−sψi+u−sψi+v−s+
+ r(t− s)r(v − u) + r(u− s)r(v − t) + r(v − s)r(u− t).
Is cia, su 0 ≤ h < n,
Er2(h) =1
n2E
n−h∑i,j=1
XiXi+hXjXj+h =
=1
n2
n−h∑i,j=1
[r2(h) + r2(i− j) + r(i− j − h)r(i− j + h)+
+ (EZ40 − 3σ4)
∞∑l=−∞
ψlψl+hψl+j−iψl+j−i+h] =
=(n− h)2
n2r2(h) +
n− h
n2
∑|m|<n−h
(1− |m|n− h
)[r2(m)+
+ r(m− h)r(m+ h) + (EZ40 − 3σ4)
∞∑l=−∞
ψlψl+hψl+mψl+m+h].(8.6)
Is (8.6) dabar isplaukia, kad
E|r(h)− r(h)|2 = Er2(h) + (2h
n− 1)r2(h) =
=n− h
n2
∑|m|<n−h
(1− |m|n− h
)Sm +h2
n2r2(h);
54
cia
Sm = r2(m)+r(m−h)r(m+h)+(EZ40−3σ4)
∞∑l=−∞
ψlψl+hψl+mψl+m+h.
Absoliutus {ψl} sumuojamumas garantuoja, kad seka {Sm} yra absoliu-
ciai sumuojama, todel
limn→∞
nE|r(h)− r(h)|2 =∞∑
m=−∞Sm =
= (EZ40 − 3σ4)
∞∑l=−∞
ψlψl+h
∞∑m=−∞
ψm+lψm+l+h+
+
∞∑m=−∞
r2(m) +
∞∑m=−∞
r(m− h)r(m+ h) =
= (σ−4EZ40 − 3)r2(h) +
∞∑m=−∞
r2(m) +
∞∑m=−∞
r(m− h)r(m+ h). �
8.1 pratimas. Tarkime, {Xt} yra dvipusio slenkamojo vidurkio
seka
Xt =
∞∑k=−∞
ψkZt−k, Zt ∼ BT (0, σ2);
cia∑
|ψk| <∞. Parodykite, kad∑∞
−∞ |r(k)| <∞.
8.2 pratimas. Tarkime {Xt} yra stacionarus procesas su vidurkiu
µ ir kovariacine funkcija r(·). Sakome, kad µn yra geriausias nepaslinktas
vidurkio µ i‘vertis, jeigu µn = c1X1 + ... + cnXn, Eµn = µ ir c1, ..., cn
minimizuoja E|µn−µ|2. Parodykite, kad geriausias nepaslinktas µ i‘vertis
yra uzrasomas formule
µn = (1′R−1n 1)−11′R−1
n Xn;
55
cia Rn yra vektoriaus-stulpelio Xn = (X1, ..., Xn)′ kovariacine matrica
ir 1 = (1, ..., 1)′.
8.3 pratimas. Tarkime, {Xt} yra Gauso atsitiktine seka su nuliniu
vidurkiu. I‘rodykite, kad
EXt1Xt2Xt3Xt4 = EXt1Xt2EXt3Xt4 + EXt1Xt3EXt2Xt4+
+ EXt1Xt4EXt2Xt3 .[Nurodymas. Pasinaudokite lygybe
EX1X2X3X4 =∂4
∂u1∂u2∂u3∂u4φX1,X2,X3,X4(0, 0, 0, 0);
cia
φX1,X2,X3,X4(u1, u2, u3, u4) = exp{−1
2
4∑i,j=1
uiuj EXiXj}].
56
9. PERIODOGRAMA IR SPEKTRINES
PASISKIRSTYMO FUNKCIJOS I‘VERTIS
1. Periodograma. Tarkime, kad {Xt, t ∈ Z} yra reali stacionari
seka, kurios vidurkis del paprastumo lygus nuliui ir kovariacija r(n) =
= EXnX0.
Apibrezta 6 skyrelyje funkcija
fn(λ) =1
2π
∑|m|<n
(1− |m|n
)r(m)e−imλ
pasizymi tokia savybe: jei∑∞
−∞ |r(m)| <∞ ( tada egzistuoja spektrinis
tankis f(λ) ), tai fn(λ) −→n→∞
f(λ) su visais λ is intervalo [−π, π]. Todel
naturalus spektrinio tankio i‘vertis yra funkcija
In(λ) =1
2π
∑|m|<n
(1− |m|n
)rn(m)e−imλ, −π6λ6π; (9.1)
cia
rn(m) =1
n− |m|
n−|m|∑k=1
XkXk+|m|, 06 |m| < n
yra nepaslinktasis kovariacines funkcijos i‘vertis.
Nesunku patikrinti, kad funkcija In(λ) gali buti uzrasyta
In(λ) =1
2πn
∣∣∣ n∑m=1
Xme−iλm
∣∣∣2, −π6λ6π. (9.2)
Tokia imties X1, ..., Xn funkcija In(λ) yra vadinama periodograma.
Kadangi Ern(m) = r(m), tai is (9.1) isplaukia, kad EIn(λ) = fn(λ).
57
Periodogramos asimptotinio elgesio nagrinejimas yra glaudziai susi-
je‘s su Fejerio branduolio savybemis. Priminsime, kad Fejerio branduoliu
vadinama funkcija
Φn(λ) =1
2πn
∣∣∣ n∑m=1
eiλm∣∣∣2 =
1
2πn
( sin nλ2
sin λ2
)2
, λ = 0,
n
2π, λ = 0.
9.1 lema (Fejerio branduolio savybes).
1. Φn(λ)> 0.
2. Φn(·) – 2π-periodine funkcija.
3. Φn(·) – lygine funkcija.
4.∫ π
−πΦn(λ)dλ = 1.
5. ∀δ > 0 :∫ δ
−δΦn(λ)dλ→ 1, kai n→ ∞.
6. Jeigu f – 2π-periodine integruojama [−π, π] funkcija, tai visuo-
se funkcijos f tolydumo taskuose
limn→∞
∫ π
−π
Φn(λ− ν)f(ν)dν = f(λ).
I‘rodymas. 1–3 savybes akivaizdzios.
4. Turime∫ π
−π
Φn(λ)dλ =1
2πn
n∑k,l=1
∫ π
−π
ei(k−l)λdλ = 1,
nes ∫ π
−π
eikλdλ =
{2π, k = 0,0, k = 0.
5. Is nelygybes
Φn(λ)61
2πn sin2 δ2
, kai 0 < δ < |λ|6π,
58
gauname
∫ −δ
−π
Φn(λ)dλ+
∫ π
δ
Φn(λ)dλ62π − 2δ
2πn sin2 δ2
−→n→∞
0.
Todel∫ δ
−δ
Φn(λ)dλ =
∫ π
−π
Φn(λ)dλ−∫ −δ
−π
Φn(λ)dλ−∫ π
δ
Φn(λ)dλ −→n→∞
1.
6. Tarkime, λ yra funkcijos f tolydumo taskas. Fiksuotam ϵ > 0
raskime toki‘δ > 0, kad butu
‘teisinga nelygybe
|f(ν)− f(λ)| < ϵ su |ν − λ| < δ.
Pasireme‘4 savybe, gauname∫ π
−π
f(λ− ν)Φn(ν)dν − f(λ) =
∫ π
−π
(f(λ− ν)− f(λ))Φn(ν)dν =
=
∫ δ
−δ
(f(λ− ν)− f(λ))Φn(ν)dν+
+
∫[−π,π]\]−δ,δ[
(f(λ− ν)− f(λ))Φn(ν)dν =: I1 + I2.
Integralus I1 ir I2 i‘vertiname taip:
|I1|6 ϵ
∫ π
−π
Φn(ν)dν = ϵ,
|I2|6 2
∫ π
−π
f(ν)dν sup[−π,π]\]δ,δ[
Φn(ν).
Taigi
|∫ π
−π
f(λ− ν)Φn(ν)dν − f(λ)|6 ϵ+ 2
∫ π
−π
f(ν)dν sup[−π,π]\]δ,δ[
Φn(ν) → ϵ,
59
kai n→ ∞. Kadangi ϵ > 0 buvo laisvai pasirinktas, tai∫ π
−π
f(λ− ν)Φn(ν)dν − f(λ) −→n→∞
0. �
9.1 teiginys. Tarkime, {Xt, t ∈ Z} yra stacionari seka su nuliniu
vidurkiu. Jeigu si seka turi tolydu‘spektrini
‘tanki
‘f , tai In(λ) yra asimp-
totiskai nepaslinktas f(λ) i‘vertis, t.y.
limn→∞
EIn(λ) = f(λ), −π6λ6π.
I‘rodymas. Is 9.1 lemos gauname
EIn(λ) =1
2πnE
n∑k,l=1
XkXle−i(k−l)λ =
1
2πn
n∑k,l=1
r(k − l)e−i(k−l)λ =
=1
2πn
n∑k,l=1
e−i(k−l)λ
∫ π
−π
ei(k−l)νf(ν)dν =
=
∫ π
−π
1
2πn
∣∣∣ n∑k=1
ei(ν−λ)k∣∣∣2f(ν)dν =
∫ π
−π
Φn(ν − λ)f(ν)dν −→n→∞
f(λ). �
9.1 pastaba. Galima i‘rodyti ir stipresni
‘teigini
‘: jeigu {Xt} turi
spektrini‘tanki
‘, tai
EIn(λ) → f(λ) beveik visur Lebego mato atzvilgiu.
Kaip ir kovariacines funkcijos atveju suformuluosime teigini‘apie
konvergavimo greiti‘.
9.2 teiginys. Jeigu {Xt, t ∈ Z} yra stacionari seka su nuliniu
vidurkiu ir patenkinta sa‘lyga
∞∑−∞
|m r(m)| <∞,
60
tai
limn→∞
n(EIn(λ)− f(λ)) = − 1
2π
∞∑m=−∞
|m|r(m)e−imλ.
I‘rodymas. Turime
n(EIn(λ)− f(λ)) =
=n
2π(∑
|m|<n
r(m)(1− |m|n
)e−imλ −∞∑
m=−∞r(m)(1− |m|
n)e−imλ) =
= − 1
2π(∑
|m|<n
|m|r(m)e−imλ + n∑
|m|>n
r(m)e−imλ).
Kadangi
|n∑
|m|>n
r(m)e−imλ|6∑
|m|>n
n|r(m)|6∑
|m|>n
|m||r(m)| −→n→∞
0,
tai is cia isplaukia i‘rodinejamasis teiginys. �
Nors periodograma ir yra asimptotiskai nepaslinktas spektrinio tan-
kio i‘vertis, taciau praktikoje ji nera naudojama f(λ) vertinti. Priezastis
ta, kad In(λ) nera suderintasis spektrinio tankio f(λ) i‘vertis kvadratinio
vidurkio prasme. Tai matyti is zemiau pateikiamu‘pavyzdziu
‘.
9.1 pavyzdys. Tarkime, {Xt} yra nepriklausomu‘, normaliai pa-
siskirsciusiu‘atsitiktiniu
‘dydziu
‘Xt ∼ N(0, 1) seka. Imties X1, ..., Xn
periodograma taske 0
In(0) =1
2πn
∣∣ n∑t=1
Xt
∣∣261
turi ta‘pati
‘pasiskirstyma
‘kaip ir
1
2πY 2 su Y ∼ N(0, 1). Kadangi sekos
{Xt} spektrinis tankis f(λ) ≡ 1
2πir EY 4 = 3, tai
E|In(0)− f(0)|2 = E| 12πY 2 − 1
2π|2 =
1
4π2E|Y 2 − 1|2 =
=1
4π2(EY 4 − 1) =
1
2π2> 0.
Suformuluosime bendresnius teiginius apie periodogramu‘skirtin-
guose dazniuose kovariacija‘ir asimptotine
‘periodogramos dispersija
‘tuo
atveju, kai nagrinejamoji seka yra Gauso.
9.2 lema. Tarkime, {Xt} yra stacionari Gauso seka su nuliniu
vidurkiu ir spektrine tankio funkcija f(λ). Tada su visais λ, ν is [−π, π]
Cov(In(λ), In(ν)) =
=1
4π2n2
∣∣∣ ∫ π
−π
sinn(λ− x)/2
sin (λ− x)/2
sinn(ν − x)/2
sin (ν − x)/2f(x)dx
∣∣∣2++
1
4π2n2
∣∣∣ ∫ π
−π
sinn(λ− x)/2
sin (λ− x)/2
sinn(ν + x)/2
sin (ν + x)/2f(x)dx
∣∣∣2.I‘rodymas. Pasireme
‘8.3 pratimu, gauname
EIn(λ)In(ν) =1
4π2n2
n∑s,t,u,v=1
EXsXtXuXv e−i(sλ−tλ+uν−vν) =
=1
4π2n2
∑s,t,u,v
(EXsXt EXuXv + EXsXu EXtXv+
62
+ EXsXv EXtXu) e−i(sλ−tλ+uν−vν) =
1
4π2n2×
×[∑
s,t
e−i(s−t)λ
∫ π
−π
ei(s−t)xf(x)dx∑u,v
e−i(u−v)ν
∫ π
−π
ei(u−v)yf(y)dy+
+∑s,u
e−i(sλ+uν)
∫ π
−π
ei(s−u)xf(x)dx∑t,v
ei(tλ+vν)
∫ π
−π
ei(v−t)yf(y)dy+
+∑s,v
e−i(sλ−vν)
∫ π
−π
ei(s−v)xf(x)dx∑t,u
ei(tλ−uν)
∫ π
−π
ei(u−t)yf(y)dy]=
=1
4π2n2
[ ∫ π
−π
|∑s
eis(x−λ)|2f(x)dx∫ π
−π
|∑u
eiu(y−ν)|2f(y)dy+
+
∫ π
−π
∑s
eis(x−λ)∑u
e−iu(ν+x)f(x)dx×
×∫ π
−π
∑t
eit(λ−y)∑v
eiv(ν+y)f(y)dy+
+
∫ π
−π
∑s
e−is(λ−x)∑v
eiv(ν−x)f(x)dx×
×∫ π
−π
∑t
eit(λ−y)∑u
e−iu(ν−y)f(y)dy].
Kadangin∑
t=1
eitα = eiα1− einα
1− eiα= ei(n+1)α/2 sinnα/2
sinα/2, α = 2kπ,
63
tai
Cov(In(λ), In(ν)) =1
4π2n2
[|∫ π
−π
∑s
eis(x−λ)∑u
e−iu(ν+x)f(x)dx|2+
+ |∫ π
−π
∑s
e−is(λ−x)∑v
eiv(ν−x)f(x)dx|2 =
=1
4π2n2
∣∣∣ ∫ π
−π
sinn(λ− x)/2
sin (λ− x)/2
sinn(ν + x)/2
sin (ν + x)/2f(x)dx
∣∣∣2++
1
4π2n2
∣∣∣ ∫ π
−π
sinn(λ− x)/2
sin (λ− x)/2
sinn(ν − x)/2
sin (ν − x)/2f(x)dx
∣∣∣2. �
9.1 teorema. Jeigu teisingos lemos prielaidos ir funkcija f yra
tolydi, tai
limn→∞
DIn(λ) =
f2(λ), λ = −π, 0, π,
2f2(λ), λ = −π, 0, π.
I‘rodymas. Is 9.2 lemos isplaukia
DIn(λ) =1
4π2n2
∣∣∣ ∫ π
−π
sin2 n(λ− x)/2
sin2 (λ− x)/2f(x)dx
∣∣∣2++
1
4π2n2
∣∣∣ ∫ π
−π
sinn(λ− x)/2
sin (λ− x)/2
sinn(λ+ x)/2
sin (λ+ x)/2f(x)dx
∣∣∣2.Is cia ir 9.1 lemos 6) turime teoremos teigini
‘taske λ = 0. Teoremos
tvirtinimas, kai λ = −π ir λ = π, isplaukia is tos pacios lemos ir lygybes
| sin n(π − x)
2| = | sin n(π + x)
2|.
64
I‘rodysime, kad bet kuriame taske λ = −π, 0, π reiskinio
1
2πn
∣∣∣ ∫ π
−π
sinn(λ− x)/2
sin (λ− x)/2
sinn(λ+ x)/2
sin (λ+ x)/2f(x)dx
∣∣∣riba yra lygi nuliui.
Parinkime toki‘ϵ > 0, kad intervaluose [−λ− ϵ,−λ+ ϵ], [λ− ϵ, λ+ ϵ]
nebutu‘tasku
‘−π, 0, π ir uzrasykime
∫ π
−π
sinn(λ− x)/2
sin (λ− x)/2
sinn(λ+ x)/2
sin (λ+ x)/2f(x)dx =
∫ −λ+ϵ
−λ−ϵ
...+
∫ λ+ϵ
λ−ϵ
...+
∫ ′...;
cia∫ ′
integravimo sritis yra [−π, π]\{[−λ− ϵ,−λ+ ϵ] ∪ [λ− ϵ, λ+ ϵ]}.
Pasireme‘nelygybe
∣∣ sinnxsin x
∣∣6n, pirma‘ji‘desines lygybes puses integ-
rala‘i‘vertiname taip:
∣∣∣ ∫ −λ+ϵ
−λ−ϵ
sinn(λ− x)/2
sin (λ− x)/2
sinn(λ+ x)/2
sin (λ+ x)/2f(x)dx
∣∣∣6C1
∫ −λ+ϵ
−λ−ϵ
∣∣∣ sinn(λ+ x)/2
sin (λ+ x)/2
∣∣∣ |f(x)|dx6nC1
∫ −λ+ϵ
−λ−ϵ
|f(x)|dx6
6 2nC1Mϵ ;
cia M := supx |f(x)|.
Visiskai taip pat i‘vertiname antra
‘ji‘integrala
‘. Likusioje srityje
[−π, π]\{[−λ−ϵ,−λ+ϵ]∪ [λ−ϵ, λ+ϵ]} pointegrine funkcija yra aprezta.
Todel
limn→∞
1
2πn
∣∣∣ ∫ π
−π
sinn(λ− x)/2
sin (λ− x)/2
sinn(λ+ x)/2
sin (λ+ x)/2f(x)dx
∣∣∣6Const ϵ.
65
Is cia isplaukia teoremos teiginys, kadangi ϵ > 0 gali buti kiek norima
mazas. �
2. Spektrines pasiskirstymo funkcijos i‘vertis. Tarkime,
X1, ..., Xn yra imtis is stacionarios sekos su vidurkiu 0. Pazymekime
Fn(λ) =
∫ λ
−π
In(ν)dν, −π6λ6π;
cia In(ν) yra periodograma, apibrezta (9.1). Jeigu |k| < n, tai∫ π
−π
eiλkdFn(λ) =
∫ π
−π
eiλkIn(λ)dλ =
=
∫ π
−π
eiλk1
2π
∑|m|<n
(1− |m|n
)rn(m)e−iλmdλ =
=1
2π
∑|m|<n
(1− |m|n
)rn(m)
∫ π
−π
eiλ(k−m)dλ = (1− |k|n)rn(k).(9.3)
Vadinasi, jeigu
rn(k) −→n→∞
r(k) su tikimybe 1,
tai ∫ π
−π
eiλkdFn(λ) −→n→∞
∫ π
−π
eiλkdF (λ) su tikimybe 1.
Is cia isplaukia, kad funkcijos F tolydumo taskuose
Fn(λ) −→n→∞
F (λ) su tikimybe 1.
Jeigu gi rn(k) → r(k) pagal tikimybe‘, tai galima i
‘rodyti (paliekame
tai kaip pratima‘skaitytojui), kad
Fn(λ) −→n→∞
F (λ) pagal tikimybe‘funkcijos F tolydumo taskuose.
66
10. SPEKTRINIO TANKIO I‘VERCIAI
Kaip mateme 9 skyrelyje periodograma
In(λ) =1
2π
∑|m|<n
rn(m)e−imλ
su
rn(m) =1
n
n−|m|∑k=1
XkXk+|m|, 06 |m| < n,
nera suderintas spektrines tankio funkcijos i‘vertis kvadratinio vidurkio
prasme. Todel praktikoje In(λ) keiciamas ”suglodintu” i‘verciu Iwn (λ),
turinciu forma‘
Iwn (λ) =1
2π
∑|m|6Kn
w( mKn
)rn(m)e−imλ; (10.1)
cia
(W1)
w(x) – lygine,
tolydi intervale [−1, 1],
w(x) = 0, kai |x| > 1.
Tokia funkcija w vadinama langu, o atitinkamas i‘vertis Iwn (λ) – suglo-
dintuoju spektrinio tankio i‘verciu. Jeigu w(x) = 1, |x|6 1 ir Kn = n−1,
tai Iwn (λ) ≡ In(λ).
Apibrezkime
Wn(λ) =1
2π
∑|m|6Kn
w( mKn
)e−imλ, λ ∈ [−π, π].
67
Kadangi (zr. (9.3) lygybe‘)
rn(m) =
∫ π
−π
eiλmIn(λ)dλ,
tai
Iwn (λ) =1
2π
∑|m|6Kn
w( mKn
) ∫ π
−π
eiνmIn(ν)dν e−imλ =
=
∫ π
−π
1
2π
∑|m|6Kn
w( mKn
)e−i(ν−λ)mIn(ν)dν =
∫ π
−π
Wn(λ− ν)In(ν)dν.
Funkcija Wn(λ) vadinama spektriniu langu.
Suformuluosime teorema‘apie suglodintojo spektrinio tankio i
‘vercio
asimptotine‘dispersija
‘, kai nagrinejamoji seka yra Gauso.
10.1 teorema. Sakykime, kad {Xt} yra stacionari Gauso seka su
nuliniu vidurkiu ir absoliuciai sumuojama kovariacine funkcija. Jeigu
Iwn (λ) apibrezta (10.1) lygybe , w(x) tenkina (W1), Kn ↗ ∞, Kn
n → 0,
tai
limn→∞
n
KnDIwn (λ) =
2f2(λ)∫ 1
−1w2(x)dx, λ = −π, 0, π,
f2(λ)∫ 1
−1w2(x)dx, λ = −π, 0, π,
ir
limn→∞
n
KnCov(Iwn (λ), Iwn (ν)) = 0, kai ν = ±λ.
I‘rodymas. Turime
Cov(Iwn (λ), Iwn (ν)) =
=1
4π2
∑|m|6Kn|m′|6Kn
w(m
Kn)w(
m′
Kn)e−i(mλ+m′ν)Cov(rn(m), rn(m
′)). (10.2)
68
Kovariacines funkcijos i‘verti
‘rn(m) patogu perrasyti kiek kitokiu pavi-
dalu:
rn(m) =1
n
min{n,n−m}∑i=max{1,1−m}
XiXi+m, |m| < n.
Tada is Gauso proceso savybiu‘(zr. 8.3 pratima
‘) gauname:
Cov(rn(m), rn(m′)) = Ern(m)rn(m
′)− n− |m|n
r(m)n− |m′|
nr(m′) =
=1
n2
min{n,n−m}∑i=max{1,1−m}
min{n,n−m′}∑j=max{1,1−m′}
EXiXi+mXjXj+m′−
− n− |m|n
r(m)n− |m′|
nr(m′) =
=1
n2
min{n,n−m}∑i=max{1,1−m}
min{n,n−m′}∑j=max{1,1−m′}
(r(i− j +m)r(i− j −m′)+
+ r(i− j)r(i− j +m−m′))=
=1
n2
n∑i,j=1
1{max{1,1−m}6 i6 min{n,n−m},max{1,1−m′}6 j 6 min{n,n−m′}}×
×(r(i− j +m)r(i− j −m′) + r(i− j)r(i− j +m−m′)
)=
=1
n2
∑|l|<n
Nn(l,m,m′)(r(l +m)r(l −m′) + r(l)r(l +m−m′)
); (10.3)
cia
Nn(l,m,m′) = #
{(i, j) : i− j = l,max{1, 1−m}6 i6 min{n, n−m},
max{1, 1−m′}6 j6 min{n, n−m′}}.
69
Pastebesime, kad su kai kuriais trejetais (l,m,m′) skaicius Nn(l,m,m′)
gali buti lygus nuliui.
I‘state
‘(10.3) israiska
‘i‘(10.2), gauname
n
KnCov(Iwn (λ), Iwn (ν)) = i1 + i2;
cia
i1 :=1
4π2nKn
∑|m|6Kn|m′|6Kn
w(m
Kn)w(
m′
Kn)e−i(mλ+m′ν)×
×∑|l|<n
Nn(l,m,m′)r(l +m)r(l −m′),
i2 :=1
4π2nKn
∑|m|6Kn|m′|6Kn
w(m
Kn)w(
m′
Kn)e−i(mλ+m′ν)×
×∑|l|<n
Nn(l,m,m′)r(l)r(l +m−m′).
Pazymeje‘l +m = p ir l −m = s, gauname:
i1 =1
4π2nKn
∑|l|<n
l+Kn∑p,s=l−Kn
w(p− l
Kn)w(
l − s
Kn)e−i((p−l)λ+(l−s)ν)×
×Nn(l, p− l, l − s)r(p)r(s) =
70
=1
4π2nKn
∑|l|<n
n+Kn−1∑p,s=−(n+Kn−1)
1{l−Kn 6 p,s6 l+Kn}×
× w(p− l
Kn)w(
l − s
Kn)e−i((p−l)λ+(l−s)ν)Nn(l, p− l, l − s)r(p)r(s) =
=1
4π2nKn
n+Kn−1∑p,s=−(n+Kn−1)
min{n−1,p+Kn,s+Kn}∑l=max{−(n−1),p−Kn,s−Kn}
w(p− l
Kn)×
× w(l − s
Kn)e−i((p−l)λ+(l−s)ν)Nn(l, p− l, l − s)r(p)r(s).
Su fiksuotu N 6Kn teisinga nelygybe
∣∣∣i1 − 1
4π2nKn
N∑p,s=−N
min{n−1,p+Kn,s+Kn}∑l=max{−(n−1),p−Kn,s−Kn}
w(p− l
Kn)w(
l − s
Kn)×
× e−i((p−l)λ+(l−s)ν)Nn(l, p− l, l − s)r(p)r(s)∣∣∣6
6 1
4π2Kn
∑|p|>N|s|>N
min{n−1,p+Kn,s+Kn}∑l=max{−(n−1),p−Kn,s−Kn}
supxw2(x)|r(p)||r(s)|.
Cia pasinaudojome nelygybe Nn(l,m,m′)6n. Kadangi vidineje sumoje
yra ne daugiau kaip 2Kn + 1 demenu‘, tai nelygybe
‘galime prate
‘sti taip:
6 1
4π2(2 +
1
Kn) sup
xw2(x)
∑|p|>N
|r(p)|∞∑
s=−∞|r(s)|.
71
Kai N pakankamai didelis, pastaroji suma yra kiek norima maza. Savo
ruoztu suma‘
1
4π2nKn
N∑p,s=−N
min{n−1,p+Kn,s+Kn}∑l=max{−(n−1),p−Kn,s−Kn}
w(p− l
Kn)w(
l − s
Kn)×
× e−i((p−l)λ+(l−s)ν)Nn(l, p− l, l − s)r(p)r(s)
galime pakeisti suma
1
4π2nKn
N∑p,s=−N
min{n−1,p+Kn,s+Kn}∑l=max{−(n−1),p−Kn,s−Kn}
w2(l
Kn)e−i((p−l)λ+(l−s)ν)×
×Nn(l, p− l, l − s)r(p)r(s), (10.4)
kadangi
w(p− l
Kn)w(
l − s
Kn)− w2(
l
Kn) → 0,
kai Kn → ∞ ir |p|, |s|6N .
Turime
Nn(l,m,m′)>
>#{(i, j) : i− j = l,max
{1, 1−min{m,m′}
}6 i, j6
6 min{n, n−max{m,m′}
}}=
72
= min{n, n−max{m,m′}
}−max
{1, 1−min{m,m′}
}+ 1− |l|>
>n−max{|m|, |m′|} − (1−min{|m|, |m′|}) + 1− |l| =
= n− |m| − |m′| − |l| (10.5)
ir (10.4) reiskinio sumoje pagal l
p−Kn 6 l6 p+Kn, s−Kn 6 l6 s+Kn,
w2(l
Kn) = 0, kai |l| > Kn.
Todel is (10.5) nelygybes splaukia, kad
n−Nn(l, p− l, l − s)6 |l|+ |p− l|+ |l − s|6 3Kn, (10.6)
kai l −Kn 6 p6 l +Kn, l −Kn 6 s6 l +Kn ir |l|6Kn. Taigi remiantis
(10.6) nelygybe, sumu‘(10.4) ir
1
4π2nKn
N∑p,s=−N
min{n−1,p+Kn,s+Kn}∑l=max{−(n−1),p−Kn,s−Kn}
w2( lKn
)e−i((p−l)λ+(l−s)ν)nr(p)r(s)
(10.7)
skirtumas absoliutiniu dydziu nevirsija
3
4π2n(2Kn + 1) sup
xw2(x)
( ∞∑p=−∞
|r(p)|)2 → 0.
(10.7) reiskinio ir sumos
1
4π2nKn
N∑p,s=−N
Kn∑l=−Kn
w2(l
Kn)e−i((p−l)λ+(l−s)ν)r(p)r(s) (10.8)
73
skirtumo moduli‘i‘vertiname taip:
| (10.8) − (10.7) |6
6 1
4π2Knsupxw2(x)
( N∑p=−N
|r(p)|)2 Kn∑
l=−Kn
(1− 1{ p−Kn 6 l6 p+Kns−Kn 6 l6 s+Kn
}),be to,
Kn∑l=−Kn
(1− 1{ p−Kn 6 l6 p+Kns−Kn 6 l6 s+Kn
})
= 2Kn + 1−min{p+Kn, s+Kn,Kn}+max{p−Kn, s−Kn,−Kn}
6 2Kn − (−N +Kn) +N −Kn = 2N.
Todel
| (10.8) − (10.7) |6 N
2π2Knsupxw2(x)
( ∞∑p=−∞
|r(p)|)2 → 0,
kai Kn → ∞. Suma‘(10.8) galime uzrasyti taip:
1
4π2nKn
N∑p,s=−N
∑|l|6Kn
w2(l
Kn)e−i((p−l)λ+(l−s)ν)r(p)r(s) =
=( Kn∑
l=−Kn
1
Knw2(
l
Kn)ei(λ−ν)l
)( 1
2π
∑|p|6N
r(p)e−ipλ)×
×( 1
2π
∑|s|6N
r(s)eisν).
(10.9)
74
Jei λ− ν = 0 arba ±2π, tai pirmoji desines puses suma turi riba‘
limKn→∞
∑|l|6Kn
1
Knw2(
l
Kn) =
∫ 1
−1
w2(x)dx.
Todel, parinkdami N , reiskiniu‘(10.9) ir∫ 1
−1
w2(x)dx f2(λ)
skirtuma‘galime padaryti kiek norima maza
‘.
Jeigu λ− ν = 0,±2π, tai (zr. 10.1 pratima‘)
limKn→∞
∑|l|6Kn
1
Knw2(
l
Kn)ei(λ−ν)l = 0
ir kartu viso (10.9) reiskinio riba lygi nuliui.
Toliau nagrinekime i2 nari‘. Pazymeje
‘l +m−m′ = p, gauname
i2 =1
4π2nKn
∑|l|<n
Kn∑m′=−Kn
Kn+l−m′∑p=−Kn+l−m′
w(p+m′ − l
Kn)w(
m′
Kn)×
× e−i((p+m′−l)λ+m′ν)Nn(l, p+m′ − l,m′)r(l)r(p) =
=1
4π2nKn
∑|l|<n
l+Kn∑s=l−Kn
Kn+s∑p=−Kn+s
w(p− s
Kn)w(
l − s
Kn)e−i((p−s)λ+(l−s)ν)×
×Nn(l, p− s, l − s)r(l)r(p) =
75
=1
4π2nKn
∑|l|<n
2Kn+l∑p=−2Kn+l
l+Kn∑s=l−Kn
1{s−Kn 6 p6 s+Kn}w(p− s
Kn)w(
l − s
Kn)
× e−i((p−s)λ+(l−s)ν)Nn(l, p− s, l − s)r(l)r(p) =
=1
4π2nKn
∑|l|<n
2Kn+l∑p=−2Kn+l
min{l,p}+Kn∑s=max{l,p}−Kn
w(p− s
Kn)w(
l − s
Kn)×
× e−i((p−s)λ+(l−s)ν)Nn(l, p− s, l − s)r(l)r(p).
Kaip ir anksciau pastara‘ja‘suma
‘galima aproksimuoti (su pakankamai
dideliais N 6Kn) suma
1
4π2nKn
N∑l,p=−N
min{l,p}+Kn∑s=max{l,p}−Kn
w(p− s
Kn) w(
l − s
Kn)e−i((p−s)λ+(l−s)ν)×
×Nn(l, p− s, l − s)r(l)r(p),(10.10)
o (10.10) reiskini‘savo ruoztu suma
1
4π2nKn
N∑l,p=−N
Kn∑s=−Kn
w2(s
Kn)e−i((p−s)λ+(l−s)ν)r(l)r(p). (10.11)
Jeigu λ+ ν = 0 arba ±2π, tai (10.11) sumos riba lygi
f2(λ)
∫ 1
−1
w2(x)dx.
76
Jeigu λ+ ν = 0,±2π, tai (10.11) reiskinio riba yra lygi 0. �
Toliau suformuluosime sa‘lygas, su kuriomis pateiktasis suglodintasis
spektrinio tankio i‘vertis (10.1) yra asimptotiskai nepaslinktas. Tegul
langui w(x) teisingos tokios prielaidos:
(W2)
w(x) – lygine,
w(0) = 1,
∀x ∈ [−1, 1] |w(x)|6M,
w(x) = 0, |x| > 1,
limx→0
1− w(x)
|x|q= k su kazkokiais q > 0 ir k > 0.
10.2 teorema. Tarkime, {Xt} – stacionari seka su nuliniu vidur-
kiu ir kovariacija r(·). Tegul Iwn (λ) yra apibreztas (10.1) lygybe su langu
w(x), tenkinanciu (W2) sa‘lygas, Kn ↗ ∞ ir
∞∑m=−∞
|m|p|r(m)| <∞ su kazkokiu p > 0. (10.12)
1) jei p> q ir arba p> 1,Kq
n
n→ 0, arba p6 1,
Kq+1−pn
n→ 0, tai
limn→∞
Kqn(EI
wn (λ)− f(λ)) = − k
2π
∞∑m=−∞
|m|qe−imλr(m);
2) jei p < q ir arba p> 1,Kp
n
n→ 0, arba p6 1,
Kn
n→ 0, tai
limn→∞
Kpn(EI
wn (λ)− f(λ)) = 0.
I‘rodymas. Pazymekime µ = min{p, q}. Tada
Kµn(EI
wn (λ)− f(λ)) =
77
=Kµ
n
2π
∑|m|6Kn
(w(
m
Kn)(1− |m|
n)− 1
)e−imλr(m)−
− Kµn
2π
∑|m|>Kn
e−imλr(m) =
=Kµ
n
2π
∑|m|6Kn
(w(
m
Kn)− 1
)e−imλr(m)−
− Kµn
2π
∑|m|6Kn
w(m
Kn)|m|ne−imλr(m)−
− Kµn
2π
∑|m|>Kn
e−imλr(m) =: j1 − j2 − j3.
Is teoremos sa‘lygu
‘isplaukia, kad su visais ε > 0 egzistuoja toks
δ > 0, kad ∣∣∣w( mKn
)− 1
| mKn
|q+ k
∣∣∣ < ε, kai | mKn
| < δ. (10.13)
Isskaidykime j1 demenimis:
j1 =Kµ
n
2π
∑|m|6 [δKn]
w( mKn
)− 1
| mKn
|µ|m|µe−imλr(m)+
+Kµ
n
2π
∑[δKn]<|m|6Kn
w( mKn
)− 1
| mKn
|µ|m|µe−imλr(m) =: j11 + j12.
Pasireme‘(10.13) nelygybe, atveju µ = q gauname
|j11 +k
2π
∑|m|6 [δKn]
|m|qe−imλr(m)|6 εk
2π
∞∑m=−∞
|m|q|r(m)|;
cia∑∞
−∞ |m|q|r(m)|6∑∞
−∞ |m|p|r(m)| < ∞. Kadangi ε > 0 galima
parinkti kiek norima maza‘, tai j11 galima pakeisti reiskiniu
− k
2π
∑|m|6 [δKn]
|m|qe−imλr(m) −→n→∞
− k
2π
∞∑m=−∞
|m|qe−imλr(m).
78
Jeigu µ = p, tai
|j11 +k
2π
∑|m|6 [δKn]
| mKn
|q−p|m|pe−imλr(m)|6
6 εk
2π
∑|m|6 [δKn]
| mKn
|q−p|m|p|r(m)|6
6 εk
2πδq−p
∞∑−∞
|m|p|r(m)| ( → 0, kai ε→ 0 ).
Taigi siuo atveju j11 galima pakeisti reiskiniu
− k
2π
∑|m|6 [δKn]
| mKn
|q−p|m|pe−imλr(m),
kurio modulis nevirsija
k
2πδq−p
∞∑m=−∞
|m|p|r(m)| → 0 (δ → 0).
Is nelygybes
|1− w(x)||x|µ
6M + 1
δµ, |x| > δ,
isplaukia
|j12|6M + 1
2πδµ
∑|m|>[δKn]
|m|µ|r(m)| −→n→∞
0.
Kadangi
|j2|6MKµ
n
2πn
∑|m|6Kn
|m||r(m)|,
tai j2 → 0, kai p> 1 irKµ
n
n → 0; jeigu gi p6 1, tai
MKµn
2πn
∑|m|6Kn
|m||r(m)| = MKµ+1−pn
2πn
∑|m|6Kn
|m|Kp−1n |r(m)|6
6MKµ+1−pn
2πn
∑|m|6Kn
|m|p|r(m)| → 0,
79
kaiKµ+1−p
n
n → 0.
Pagaliau
|j3| =1
2π|
∑|m|>Kn
Kµne
−imλr(m)|6 1
2π
∑|m|>Kn
|m|µ|r(m)|6
6 1
2π
∑|m|>Kn
|m|p|r(m)| → 0, kai n→ ∞. �
10.1 pastaba. Tarkime k – sveikas teigiamas skaicius ir k6 p. Tada
f (k)(λ) =(−i)k
2π
∞∑m=−∞
ms e−imλ r(m)
yra k-oji spektrinio tankio f(λ) isvestine. Is (10.12) isplaukia, kad visos
k-os eiles (k6 p) isvestines yra apreztos ir tolydzios. Taigi parametrai p
ir q nurodo funkciju‘f ir w glodumo laipsni
‘.
10.2 pastaba. Is 10.1 ir 10.2 teoremu‘matome, kad i
‘vercio Iwn (λ)
vidutine kvadratine paklaida taske λ = 0,±π
E(Iwn (λ)− f(λ))2 = DIwn (λ) + (EIwn (λ)− f(λ))2,
galiojant abieju‘teoremu
‘prielaidoms su p> q, yra
Kn
nf2(λ)
∫ 1
−1
w2(x)dx(1 + o(1))+
+k2
4π2(Kqn)2
( ∞∑m=−∞
|m|qe−imλr(m))2
(1 + o(1)).
80
Is cia matyti, kad dispersija DIwn (λ) ir poslinkis (EIwn (λ) − f(λ))2 Kn
atzvilgiu elgiasi priesingai: kuo didesnis Kn, tuo didesne dispersija ir tuo
mazesnis poslinkis. Aisku, kad abu sie demenys bus tos pacios eiles, kai
Kn
n∼ Const
1
K2qn
,
t.y. K2q+1n ∼ Const n. Pavyzdziui, paeme
‘Kn = [β n
12q+1 ], cia β –
konstanta, gausime (kai λ = 0,±π)
limn→∞
n
2q
2q + 1E(Iwn (λ)− f(λ))2 =
= βf2(λ)
1∫−1
w2(x)dx+k2
4π2β2
( ∞∑−∞
|m|qe−imλr(m))2
.
Pastaroji lygybe leidzia lyginti i‘vairius suglodintus spektrinio tankio
i‘vercius (zr. 11 skyreli
‘) tiek parametro q atzvilgiu (i
‘verciai su didesniu
q yra ”geresni”), tiek∫ 1
−1w2(x)dx ir k2 atzvilgiu (esant vienodiems q).
10.1 pratimas. Tarkime, f(x) – tolydi intervale [−1, 1] funkcija.
Parodykite, kad
limK→∞
K∑l=−K
1
Kf( l
K
)eiαl = 0, kai α = 2kπ, k = 0,±1,±2, ... .
81
11. KAI KURIE KONKRETUS SPEKTRINIO TANKIO
I‘VERCIAI
1. Staciakampis langas. Tegul
w(x) =
{1, kai |x|6 1,0, kai |x| > 1.
Tada atitinkamas spektrinis langas yra Dirichle branduolys DKn(λ):
Wn(λ) = DKn(λ);
cia
Dn(λ) =1
2π
∑|m|6n
eimλ =
12π
sin(n+ 12 )λ
sin λ2
, kai λ = 0,
12π (2n+ 1), kai λ = 0.
(11.1)
Matome, kad Wn(λ) gali i‘gyti ir neigiamas reiksmes, t.y. kai kuriuose
dazniuose spektrinio tankio i‘vertis yra neigiamas. Kai teisingos 10.1
teoremos sa‘lygos, gauname (kai n→ ∞)
DIwn (λ) ∼
4Kn
nf2(λ), kai λ = −π, 0, π,
2Kn
nf2(λ), kai λ = −π, 0, π.
2. Bartleto, arba trikampis, langas. Siuo atveju
w(x) =
{1− |x|, kai |x|6 1,0, kai |x| > 1,
ir atitinkamas spektrinis langas yra Fejerio branduolys:
Wn(λ) =
sin2 Knλ
2
2πKn sin2 λ
2
, kai λ = 0,
Kn
2π, kai λ = 0.
82
Kadangi Wn(λ)> 0, tai si‘langa
‘atitinka neneigiami spektrinio tankio
i‘verciai. Jei teisingos 10.1 teoremos sa
‘lygos, gauname
DIwn (λ) ∼
4Kn
3nf2(λ), kai λ = −π, 0, π,
2Kn
3nf2(λ), kai λ = −π, 0, π.
3. Danielo langas. Jei
w(x) =
sinπx
πx, kai |x|6 1,
0, kai |x| > 1,
tai spektrinis langas yra
Wn(λ) =
Kn
2π, |λ|6 π
Kn,
0, likusiais atvejais.
Siuo atveju is 10.1 teoremos gauname
DIwn (λ) ∼
2Kn
nf2(λ), kai λ = −π, 0, π,
Kn
nf2(λ), kai λ = −π, 0, π.
4. Blekmeno–Tjuki langas. Sakykime
w(x) =
{1− 2a+ 2a cosx, kai |x|6 1,0, kai |x| > 1.
Tada
Wn(λ) = aDKn(λ− π
Kn) + (1− 2a)DKn(λ) + aDKn(λ+
π
Kn);
83
cia DKn yra Dirichle branduolys (11.1). Siuo atveju
DIwn (λ) ∼
4Kn
n (1− 4a+ 6a2)f2(λ), kai λ = −π, 0, π,
2Kn
n (1− 4a+ 6a2)f2(λ), kai λ = −π, 0, π.
Kai a = 0, 23 ir a = 0, 25, atitinkami i‘verciai vadinami Tjuki–Hemingo
ir Tjuki–Heningo i‘verciais.
5. Parzeno langas. Sakykime
w(x) =
1− 6x2 + 6|x|3, kai |x|6 1
2 ,
2(1− |x|)3, kai 12 < |x|6 1,
0, likusiais atvejais.
Jeigu Kn yra lyginis, tai
Iwn (λ) =1
2π
∑|m|6 Kn
2
(1− 6
( mKn
)2+ 6| m
Kn|3)rn(m) e−imλ+
+2
2π
∑Kn2 <|m|6Kn
(1− | m
Kn|)3
rn(m) e−imλ =
=2
2π
∑|m|6Kn
(1− | m
Kn|)3
rn(m) e−imλ−
− 1
2π
∑|m|6 Kn
2
(1− 2| m
Kn|)3
rn(m) e−imλ
ir
84