شناسایی تکه های پرت جمع پذیر در سری های زمانی اتورگرسیو

thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه شهید چمران اهواز - دانشکده ریاضی و کامپیوتر
author الهام بندانی سوسن
adviser رحیم چینی پرداز محمدزضا آخوند
publication year 1394

abstract

‎در یک سری زمانی ممکن است در یک بازه زمانی ‎‎‏معین نقاط پرت به صورت پی در پی وجود داشته باشند‎.‎ مجموعه این نقاط پرت که ‎‎یک تکه پرت گ‎‏فته می شود‏، به تازگی مورد توجه آماردانان قرار گرفته است. شناسایی تکه پرت جمع پذیر به دلیل وجود اثرات پوششی و غرق شدن به آسانی میسر نمی شود. روش های بیزی که در سال های جدید در سری های زمانی کاربرد یافته اند‏، با کمک الگوریتم مونت کارلوی زنجیره مارکوفی می توانند در شناسایی نقاط پرت تکه ای مورد توجه قرار گیرند. دراین پایان نامه از روش نمونه گیری گیبز انطباقی برای شناسایی تکه های پرت جمع پذیر استفاده شده است. در این روش نقاط ابتدا و انتهای تکه پرت احتمالی با استفاده از نمونه گیری گیبز به دست می آیند. سپس این نقاط به عنوان یک بلوک در نظر گرفته می شوند و با استفاده از نمونه گیری گیبز انطباقی تکه پرت شناسایی و اندازه های پرتی آن‎‎‏ ها برآورد می شوند. در این پایان نامه از روش نمونه گیری گیبز انطباقی برای شناسایی و برآورد اندازه های پرتی تکه پرت جمع پذیر در سری زمانی ‎‎‎ar‎‎‏ استفاده شده است.

similar resources

برآورد احتمال تغییر وضعیت رفتار سری های زمانی مالی با مدل اتورگرسیو تبدلی مارکف

در این مقاله، با استفاده از احتمال های تغییر وضعیت m-دوره بعد زنجیر مارکف، احتمال تغییر وضعیت رفتار نوسان های در این مقاله روشی برای برآورد احتمال تغییر وضعیت سری های زمانی مالی توسط مدل اتورگرسیو تبدلی مارکوف پیشنهاد شده است. سپس با استفاده از این مدل، رفتار نوسان های نرخ ارز به دو رژیم نرخ تغییرات کم و زیاد مدل بندی شده است. نتایج پیش بینی نشان می دهد که احتمال ماندگاری در رژیم ها رو به کاهش...

full text

بررسی نقاط پرت در داده های سری زمانی چند متغیره

مشاهدات سری های زمانی گاهی اوقات تحت تأثیر پیشامدهایی نظیر: اعتصا ب ها، ظهور جنگ ها، بحران های سیاسی و غیره قرار می گیرند. نتایج این پیشامدهای بازدارنده، به وجود آوردن مشاهدات مصنوعی است که با بقیه ی مشاهدات سری زمانی سازگاری ندارد. این قبیل مشاهدات را نقاط پرت می نامند. در این رساله نقاط پرت نوساز، جمع پذیر، تغییر سطح ، تغییر موقت در سری های زمانی چند متغیره مورد بررسی قرار گرفته اند. جهت شن...

15 صفحه اول

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی

استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...

full text

آنالیز سری زمانی موقعیت ایستگاه دائمی GPS با استفاده از اتورگرسیو میانگین متحرک

هدف اصلی مقاله حاضر، استفاده از مدل‌های احتمال اتورگرسیو میانگین متحرک(ARMA) به منظور مدل‌سازی سری زمانی موقعیت روزانه ایستگاه دائمی GPS می‌باشد. موقعیت‌های روزانه ایستگاه دائمی </stron...

full text

برآورد احتمال تغییر وضعیت رفتار سری های زمانی مالی با مدل اتورگرسیو تبدلی مارکف

full text

شناسایی داده ی پرت در سری های فصلی تلفیقی

در این رساله به شناسایی داده‏های پرت جمع‏پذیر در سری های تلفیق یافته که در سال‏های اخیر توجه خاص بسیاری از آماردانان را به خود جلب کرده است، پرداخته شده است. ابتدا با به کار بردن تابع مداخله، اثر چهار نوع معمول نقطه ی پرت، 1) نقطه‏ی پرت نوساز، 2) نقطه‏ی پرت جمع‏پذیر، 3) تغییر سطح و 4) تغییر موقت، را در مدل سری زمانی sarima به عنوان یک حالت خاص مدل فصلی تلفیق یافته بررسی کرده و در ادامه سه روش ب...

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}

document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه شهید چمران اهواز - دانشکده ریاضی و کامپیوتر

Keywords

تکه پرت اثرات پوششی اثرات غرق شدن نمونه گیری گیبز انطباقی

Hosted on Doprax cloud platform doprax.com