q阶移动平均过程 MA(q)
X
t
=
μ
+
∑
i
=
0
q
θ
i
ε
t
−
i
X_t = \mu + \sum_{i=0}^q \theta _i\varepsilon _{t-i}
Xt=μ+i=0∑qθiεt−i
其中
θ
0
\theta _0
θ0恒等于1，
ε
t
\varepsilon _{t}
εt为白噪声序列。
μ
\mu
μ和
{
θ
1
,
θ
2
,
.
.
.
θ
1
}
\{\theta _1, \theta _2, ... \theta _1\}
{θ1,θ2,...θ1}为任意常数。
考虑到白噪声序列的性质，有：
E
(
ε
t
)
=
0
E
(
ε
t
2
)
=
σ
2
E
(
ε
t
1
ε
t
2
)
=
0
,
t
1
≠
t
2
E(\varepsilon _{t}) = 0 \\E(\varepsilon _{t}^2) = \sigma ^2\\E(\varepsilon _{t_1}\varepsilon _{t_2}) = 0,{t_1} \neq {t_2}
E(εt)=0E(εt2)=σ2E(εt1εt2)=0,t1̸=t2
MA(q)过程的数字特征
均值
E ( X t ) = E ( μ + ∑ i = 0 q θ i ε t − i ) = μ E(X_t) = E( \mu + \sum_{i=0}^q \theta _i\varepsilon _{t-i})=\mu E(Xt)=E(μ+i=0∑qθiεt−i)=μ
方差
E ( X t − μ ) 2 = E ( ∑ i = 0 q θ i ε t − i ) 2 = ∑ i = 0 q θ i 2 σ 2 E(X_t-\mu)^2 = E(\sum_{i=0}^q \theta _i\varepsilon _{t-i})^2 = \sum_{i=0}^q \theta _i^2 \sigma ^2 E(Xt−μ)2=E(i=0∑qθiεt−i)2=i=0∑qθi2σ2
自协方差函数
C X ( τ ) = E ( X t − μ ) ( X t − τ − μ ) = { 0 , if τ > q ∑ i = 0 q θ i θ i − j σ 2 , if τ ≤ q C_X(\tau) = E(X_t - \mu)(X_{t-\tau}-\mu)= \begin{cases} 0, & \text{if $\tau>q$ } \\ \sum_{i=0}^q \theta_i \theta_{i-j}\sigma ^2, & \text{if $\tau \leq q$ } \end{cases} CX(τ)=E(Xt−μ)(Xt−τ−μ)={0,∑i=0qθiθi−jσ2,if τ>q if τ≤q
相关系数
γ
x
(
τ
)
=
R
X
(
τ
)
−
m
x
C
X
(
0
)
=
C
X
(
τ
)
C
X
(
0
)
\gamma _x (\tau) = \frac{R_X(\tau)-m_x}{C_X(0)} = \frac{C_X(\tau)}{C_X(0)}\quad
γx(τ)=CX(0)RX(τ)−mx=CX(0)CX(τ)
可以发现，MA(q)过程的
X
t
X_t
Xt仅与前q个值有关，与更早的值无关。
遍历性（各态历经性）
对于具有遍历性的平稳随机过程，它的时间平均和时间相关函数在概率意义上等于均值函数和相关函数。因此我们可以对随机过程用一次很长时间的观测结果来估计它的均值函数和相关函数。
我们有定理：若平稳随机过程X的自协方差函数满足：
(1)
lim
τ
→
+
∞
C
X
(
τ
)
=
0
\lim_{\tau \to +\infty}C_X(\tau) = 0\tag{1}
τ→+∞limCX(τ)=0(1)
则平稳过程X具有遍历性，考虑到上面计算出的MA(q)过程的自协方差函数，显然满足公式（1），所以MA(q)过程具有遍历性。
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
