Page 265 - 4196
P. 265

5.16  Прогнозування  стаціонарних  послідовнос-
           тей

                 Припустимо,  що  значення  стаціонарного  процесу
            X   задані  для  t     , n   n  1 ,..., 0   і  необхідно  спрогнозу-
              t
           вати  X   при  t   1.  Позначимо  оптимальний  лінійний
                   1
                                         
           предиктор  для  X   через  X .  Тоді,  згідно  результатів
                              1
                                          n 1
           розділу  3.8,  оптимальний  лінійний  предиктор  величини
            X  по X  n  ,..., X  дорівнює
                            0
             1
                                     0
                                        
                             X  n 1      a  n t  X ,           (5.80)
                                              t
                                    t   n
                             
           де коефіцієнти  a  знаходять за умови мінімуму виразу
                             n t
                                                  2
                                        0      
                               M   X    a  t  X t   .
                                    1
                                      t   n  
                                                         
           Згідно співвідношення (3.70а) коефіцієнти  a  визнача-
                                                          n t
           ються в даному випадку автоковаріаційної функцією
           процесу  X  за наступними формулами
                       t
                               0
                        a  n t     K tj K  j 1  ,  j   n ,...,  ; 0 , 1
                              j   n
                        K tj    K t j   1 ,  j , t    n ,...,  0 , 1 ,


           де  .  - матриця,  K t j   cov X t  ,  X  j   K,     - автоковаріацій-
           на функція процесу  X .
                                  t
           Позначимо






                                       265
   260   261   262   263   264   265   266   267   268   269   270