2021-10-11

时间序列–大航海学习–Task1

统计与时间序列分析基础

基础就是概率论。数理统计研究的对象是受随机因素影响的数据（以下简称数理统计或统计），统计是以概率论为基础的一门应用学科。

概率论复习

1. 总体是人们研究对象的全体，如学校全体学生的身高。
2. 总体中的每一个基本单位称为个体。
3. 个体的特征用一个变量 (如 x ) 来表示。一个身高 170(cm) 的学生记 x = 170 。
4. 从总体中随机产生的若干个个体的集合称为样本。
5. 从总体中随机取得的一批数据，记作 x1, x2, · · · , xn, 其中 n 称为样本容量。
6. 统计的任务是由样本推断总体。
7. 将数据的取值范围划分为若干个区间，然后统计这组数据在每个区间中出现的次数，称为频数。
8. 统计量：
   1.表示位置的：算术平均值，中位数。
   2.表示变异程度的：标准差（从无偏估计的角度出发除以的是n-1）、方差、极差（无偏估计：认为所有样本出现的概率都一样）
   3.表示分布形状： 偏度和峰度
9. 统计中常用概率分布

• 随机变量的特性完全由它的分布函数或密度函数来描述。密度函数—积分—分布函数
• 上 α 分位数是下面常用的一个概念，其定义为: 对于 0 < α < 1，使某分布函数 F(x) = 1 − α 的 x，称为这个分布的上 α 分位数，记作 xα
• 正态分布，偏度为0，峰值为3，自然界中一种生物的数量特征等，多 数情况下都服从正态分布
• 卡方分布
• t 分布
• F 分布

参数估计（总体的分布函数形式已知，某些参数未知，借助样本估计）：点估计和区间估计（有置信区间和置信概率）

假设检验(在总体的分布函数完全未知或只知其 形式但不知其参数的情况)：根据样本对所提出的假设做出判断: 是接受还是拒绝。
方法：单个总体N(µ, σ2) 均值 µ 的检验和分布拟合检验

R语言基础学习

1. 向量

> x <- c(1,2,3,4,5)
> y <- c(1,2,3,4,5)
> z <- x+y
> w <- x*y

2. 矩阵

> mat1 <- matrix(1:12,nrow=3)
> View(mat1)
> View(mat1)
> mat2 <- matrix(1:12,ncol=3)
> View(mat2)

3. 生成时间序列

> ts(1:26,start=1988) Time Series: Start = 1988 End = 2013 Frequency = 1 [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 [26] 26

4. 图像绘制

> x <- rnorm(100)
> x
  [1] -0.71587665 -1.24812912 -0.02205554 -1.08546376 -1.37267361  1.42091842
  [7]  0.02164899 -0.53942969  0.70875797  0.85266833 -0.49220063  0.33744409
 [13] -1.08694811  0.93980286 -0.03639552  0.37466835 -0.26841435  0.11369332
 [19] -0.32034713 -1.04753803  0.19019099  0.76662167  0.61831868 -1.00300323
 [25] -1.58002524  0.11452900 -1.19562274  0.95235796 -0.41784460  2.66984159
 [31]  0.15083679 -1.71240033 -0.51875708 -0.24599055 -0.67564504  0.32044840
 [37] -0.00371090 -1.14320206  0.22577255 -1.24020920 -0.91485588  0.03204302
 [43] -0.96811846 -0.68735302  1.43922345 -0.34257735  0.44481955 -0.46944785
 [49]  0.17677600 -0.40402512 -0.62759424 -0.63173733 -0.45983048  1.95625554
 [55]  0.76960673  0.44433642 -0.53797300 -0.65139930 -0.52253296 -1.40931737
 [61] -1.56386210  2.46901236  1.31222833 -0.28221855 -0.64220879 -0.25669357
 [67]  0.89571928 -0.42089158  0.03909546  0.31386216 -0.14441567 -0.71481302
 [73] -0.12434253  0.94026236 -1.43364440 -0.93515688  0.31304425  0.17500951
 [79] -1.78015401  1.03055286 -1.22641672 -1.05056587 -1.54545630  1.80418656
 [85]  1.73719089 -0.21020326  0.42822367  0.13689763  2.34407192 -1.58813515
 [91] -0.90929230  0.90689012 -1.56685760  0.58843337 -1.03944653  1.10524844
 [97] -0.62770638  0.80752080  1.25082122  0.02940490
> plot(x)

> plot(ts(x))

> op <- par(mfrow=c(2,1),mar=c(5,4,2,2)+ .1)
> plot(ts(x))
> acf(x,main="")
`![同时插图2张](https://img-blog.csdnimg.cn/ccccfa5e834c4c9aa73c738fe6e53d73.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBAcXFfNDU3ODk3MzE=,size_16,color_FFFFFF,t_70,g_se,x_16#pic_center)
``