SERII DE TIMP ÎN STUDIUL PROCESELOR GEOFIZICE

INTRODUCERE
Observațiile din activitatea de geofizică procesele arată că perioadele de variații în
procese geofizice sunt împrăștiate haotic pe axa timpului. În funcție de programul lor, este
imposibil să vorbesc despre regularitatea în durata perioadelor de variante, și în alternanța de
perioade de seismică perioadă de acalmie , cu o perioadă de activitate seismică ridicată. Un
impuls pentru acest studiu a fost dorința de a analiza structura unui rând de metode formale
pentru a căuta modele statistice în variații ale unor parametri geofizici de-a lungul timpului.
Spațiale și modele de serii de timp pot fi utilizate pentru a studia dinamica de evenimente
geofizice. Un model spațial descrie un set de parametrii geofizici ai la un moment dat. O
serie de timp este o serie de observații regulate de un anumit parametru la puncte succesive
în timp sau la intervale de timp. În această lucrare, serii de timp, modelul este folosit pentru a
studia structura de evenimente geofizice. În general, scopul de a studia o serie de timp este de
a identifica modele în niveluri' schimbare de serie și de a construi modelul său, în scopul de a
prezice și de a studia relațiile dintre fenomene.
Teoria seriilor de timp este folosit pentru a rezolva următoarele sarcini principale:
determinarea naturii seriei; determinarea principalilor parametri de serie; de predicție a
valorilor viitoare ale seriilor de timp din datele disponibile. Seriile de timp sunt componente:
trend; componenta ciclică; sezon și componenta aleatoare. Seria de timp este format din
deterministe și aleatoare părți. Tendință; ciclice și sezoniere componente formează
deterministe parte, care este folosit pentru a prezice valorile viitoare ale seriei. Componentei
sezoniere este utilizat pentru a desemna un non-aleatoare funcția care este format pe baza de
fluctuațiile în serie în studiu, care sunt repetate periodic, la un anumit moment al anului. În
cazul nostru, este de presupus ca formă de interacțiune a componentelor enumerate pot fi
multiplicativ (1), mixt (2, 3) aditiv (4) [Anderson, 1971; Brillinger, 1981; Kendal, 1981;
Hennan, 1974]:
(1)
x t =mt c t s t ε t
(2) x t =m t c t +s t +ε t
(3) x t =m t c t s t +ε t (4)
mt – trend, de echilibru pe termen lungx tau
=m t +c t +sdecia-ul
tendința t +ε t rău;
ct – componenta ciclică, destul de lung fluctuații neregulate, cu o perioadă de mai mult de un
an; st – componenta sezoniere, destul de regulat fluctuații periodice care apar într-un interval
de timp care nu depășește un an; εt – componenta aleatoare (eroarea). Seria gt=mt+ct,
constând în suma de tendința și componenta ciclică, este numit trend - componenta ciclică
(conjunctură ciclu).
Prezența de o tendință înseamnă prezența pe termen lung a unui sistematică componentă
în serii de timp, care descrie principalele tendințe în dinamica seriilor de timp. Tendința, ca o
curbă, reflectă influența pe termen lung non-periodice factori. În mod oficial, tendința este
înțeleasă ca o succesiune de condiționată valorile medii determinate de o variabilă de timp.
Fluctuații periodice pot fi împărțite în fluctuațiile sezoniere, în care perioadă să nu
depășească un an, cauzată de condițiile climatice și ciclic, cu o perioada de fluctuațiile de mai
mulți ani. Periodicitatea înseamnă xt + kp =xt; k = 1, 2,.., și este de sezon pentru p=1 an, ciclic
pentru p = 2,3,... ani. Zgomot aleator face dificil de a detecta regulat componente, de obicei,
metode pentru studierea seriilor de timp includ diferite de zgomot algoritmi de filtrare, care
face posibilă o mai bună determina regulat componentă. Pentru reflectarea corectă de
procesul real de serii de timp, datele de prelevare trebuie să îndeplinească următoarele
condiții: comparabilitatea; uniformitate; stabilitatea și suficiență de cantitatea de date.
În această lucrare, vom folosid la SPSS20 și Excel 2016 pachete.

Serii de timp în geofizică

Seriile de timp teorie poate fi util în studierea temporal regim de evenimente geofizice,
pentru a indica perioadele de acalmie, precum și perioadele de moderată și activitate a
crescut de apariție a evenimentelor seismice. O tendință este un non-aleatoare-a format sub
influența generale sau pe termen lung tendință. Componenta ciclică este, de asemenea, un
non-aleatoare. Analiza este supusă gravimetrice datele înregistrate pe gravimeters. Etapa
preliminară de prelucrare statistică ar trebui să fie în etapa de verificare a omogenității

σ
probei, în sensul de invariabilitatea a caracteristicilor probabilistice. O măsură a omogenității
populației statistice este coeficientul de variație [Kramer, 1975].
σ
V = 100 %=28 % (5)
o

în cazul în care σ = 0,11485 – este abaterea standard, după cum spune = -0.28285 – este
valoarea medie aritmetică a eșantionului pentru 115 gravimeter și σ = 0,0069453, cum spune
= -0.26877 pentru 139 gravimeter (Tabelul 1). Eșantionul este considerat omogen, în cazul
în care coeficientul de variație nu depășește 33%. Eșantionul valoare a seriei de date
gravimetrice: Vq=28%, ceea ce confirmă omogenitatea seriei de timp a datelor gravimetrice
pentru 115 gravimeter și Vq=46%, pentru 139 gravimeter.
În conformitate cu graficul de serie (Fig. 1), se poate observa că datele de gravimeter
139 sunt mai compacte și staționaritatea este observat. Statistici Descriptive (Tabelul 2)
conține o serie de proceduri statistice descriptive. Frecvențe (Tab. 2,3) este un mijloc de
descriere detaliată a datelor. Această procedură începe analiza primară a seriilor de timp, care
rezultă primar distribuții da o idee despre frecvența de apariție a variabilele analizate. Tabele
de frecvență sunt potrivite pentru rezumarea și afișarea datelor. Statistici Descriptive oferă o
descriere a valoarea medie, abaterea standard, varianța, și alte statistici pentru o distribuție
normală, precum și valoarea minimă, gama, și suma pentru denaturate de distribuție o
variabilă cantitativă.

Figura 1. Serii de timp parcele: gravimeter 115 și gravimeter 139.

Tabel 1
 Statisticile
Gravimeter115 Gravimeter139
Valabile 130 130
N
Lipsește 1 1
Înseamnă -.28285 -.26877
Median -.28200 -.27750
Modul -.281 -.278
Std. Abaterea .011485 .069453
Skewness -.513 7.758
Std. Eroare de Asimetrie .212 .212
Kurtosis 5.609 60.240
Std. Eroare de Kurtosis .422 .422
10 -.29300 -.28590
20 -.28900 -.28300
25 -.28725 -.28200
30 -.28600 -.28070
40 -.28400 -.27900

Percentilele 50 -.28200 -.27750

60 -.28100 -.27600

70 -.27900 -.27400

75 -.27700 -.27300

80 -.27520 -.27100

90 -.27200 -.26700

Figura 2. Empirice (cercuri) și teoretice (diagonală)

funcții de distribuție de gravimeters.
 Analiză exploratorie face posibilă pentru a descrie subseturi de observații folosind o
varietate de statistică (numărare frecvențe și procente, medii etc.) și grafice. Există o
nesemnificative statistic de corelație între gravimetrici, egală cu R115,139=-0.034 (Tabelul 3),
ceea ce înseamnă că probabilitatea ca ipoteza Н0: nu există nici o corelație între gravimetrice
de date la nivelul de probabilitate de semnificație 0.701.
Există o nesemnificative statistic de corelație între gravimetrice de date și de timp, egal
cu R115, numărul=0. 282; R139, numărul=0.87. probabilitatea de semnificație: 0.327 depășește nivelul de
semnificație de 0,1.
Kurtosis este o măsură de "aplatizare" a unei distribuții. În acest caz, valoarea kurtosis
și asimetrie într-o serie de date gravimetrice kurtosis: este, 5.609; și -0.513 pentru gravimeter
115 și 60.240; 7.758 pentru 139, respectiv (Tabelul 1). Un rezultat pozitiv kurtosis indică o
plat-topped de distribuție, în care probabilitatea maximă nu este la fel de pronunțată ca în cel
normal. La kurtosis valori de peste 5.0 indică faptul că există mai multe valori de la
marginile de distribuție decât în jurul mediei. Negativ kurtosis, dimpotrivă, caracterizează o
"atins" de distribuție, graficul de care este mai alungită de-a lungul axei verticale decât
graficul de distribuție normală. Se crede că o distribuție cu kurtosis în intervalul de la -1 la
+1 corespunde aproximativ la forma normală. În cele mai multe cazuri, este destul de
acceptabil să ia în considerare o distribuție normală cu kurtosis nu depășește 2 în valoare
absolută (Tabelul 2). În cele mai multe cazuri, o distribuție cu o asimetrie variind de la -1 la
+1 este considerată ca normală.
Asimetria arată direcția în care de cele mai multe valori ale distribuției sunt deplasate
unul față de medie. Un zero-skewness valoare înseamnă că distribuția este simetrică despre
înseamnă, asimetrie pozitivă indică o schimbare în distribuția spre valori mai mici, și
asimetrie negativă spre valori mai mari. În studiile care nu necesită mare precizie a
rezultatelor, o distribuție cu o asimetrie care nu depășește 2 în modulul este considerat
normal.
 Tabel 2
Statistici Descriptive
N Minimum Maximum Mean Std. Abaterea Skewness Kurtosis
Statistic Statistică Statistică Statistic Statistică Statistic Std. Statistic Std.
ă ă ă Eroare ă Eroare
Gravimeter115 130 -,331 -,232 -,28285 ,011485 -,513 ,212 5,609 ,422
Gravimeter139 130 -,319 ,281 -,26877 ,069453 7,758 ,212 60,240 ,422
Valid N (listwise) 130

Tabel 3
Corelații

Gravimeter115 Gravimeter139 Numărul

De Corelație
1 -,034 ,282**
Pearson

Gravimeter115 Sig. (2-

,701 ,001
tailed)

N 130 130 130

Pearson
-,034 1 ,087
Correlation

Gravimeter139 Sig. (2-

,701 ,327
tailed)

N 130 130 130

de Corelație
,282** ,087 1
Pearson

Numărul Sig. (2-

,001 ,327
tailed)

N 130 130 130

**. Correlation is significant at the 0.01 level (2-tailed).

SPSS are capacitatea de a calcula o varietate de existente coeficienți de corelație.

Printre ei, atât de simplu și una dintre cele mai frecvent utilizate sunt Pearson coeficientul de
corelație liniară, și soiuri de Spearman și Kendall rang coeficienți de corelație.
 Autocorelare
Dacă ipoteza despre natura aleatorie de nivel fluctuații în seria studiată este adevărat,
atunci nu ar trebui să fie nici o legătură între nivelurile. O ipoteză alternativă admite existența
unei relații între niveluri succesive, care este, în acest caz, seria de timp nu este
întâmplătoare. Pentru a evalua relația dintre nivelurile succesive de serie, de autocorelație
funcția de serie poate fi folosit, de exemplu, gravimeters 115, 139, pentru care autocorelație
valori nu depășesc intervalele de încredere 95%. (Fig. 3). Prin urmare, gravimetrice date de
gravimeters 115 și 139 este "zgomot alb".

Figura 3. Seria de autocorelație și partideosebite de autocorelație.

Scopul de a analiza seriilor de timp este de a determina modelul de implementare
al seriei. Analiza de corelație permite să dezvăluie structura de serie, care este,
pentru a determina prezența în seria de unul sau altul periodice componentă a
unui necunoscut anterior de frecvență. La funcția de autocorelare este
determinată prin formula [Brillinger, 1980]:
n
∑ ( y k − y )( y k−τ − y )
ACF ( τ )= k =τ +1 (6)
n
∑ ( y k − y )2
k=1
unde τ=1, 2, n-1 valoarea de schimb, numit lag, determină ordinea de coeficientul de
corelație. Deși funcția de corelare este definită numai pentru staționare procese, poate fi
calculat pentru orice serie și natura seriei pot fi analizate.
Deci, dacă coeficientul de autocorelație de ordinul întâi s-a dovedit a fi cea mai mare,
atunci seria studiată conține doar o tendință. În acest caz, coeficientul de autocorelație de
ordinul a τ=5, s-a dovedit a fi cea mai mare, atunci seria conține fluctuațiile ciclice cu o
periodicitate de 5 puncte, în timp [Anderson, 1971; Brillinger, 1980]. Dacă în serie, nici unul
dintre coeficienții de autocorelație este semnificativă (Fig. 3), atunci acest lucru poate
însemna: seria nu conține tendințele și fluctuațiile ciclice și are o structura aleatoare -
"zgomot alb" și seria conține un puternic neutru tendință, care necesită efectua analize
suplimentare. Pentru a determina tipul și ordinea de procese care generează o serii de timp
staționare, aparate de funcțiile de autocorelație este utilizat: ca de obicei - ACF și special -
PACF.
Dacă seria de timp este aproape de zgomot alb, apoi correllogram oscilează aproape de
axa orizontală (Fig. 2), iar valorile sale sunt aproape de 0. La valori mari de τ, la ACF (τ)
estimarea coeficientului de autocorelație conține erori. Acest lucru se datorează parțial
însumare, deoarece observațiile sunt eliminate din însumare.
Prin urmare, corelogram la valori mari de τ nu reflectă adevărata structură de serie.
Pentru o serie staționară, ACF (τ) scade rapid cu creșterea τ. În prezența unui trend, la
funcția de autocorelare ia forma unei lent care se încadrează curba. În caz de periodicitate
sezonieră, la ACF grafic conține vârfuri pentru gal-urile care sunt multipli de sezonalitate
perioadă. Dar aceste vârfuri pot fi ascunse prin prezența de o tendință sau o mare variație de
componenta aleatoare. Pentru un anumit nivel de semnificație α (implicit este de obicei α =
0.5 sau 0,1), este posibil să se calculeze limitele intervalului de încredere în care găsirea
valoarea la funcția de autocorelare, pentru un anumit lag τ, cu probabilitatea 1-α nu
contrazice presupunerea că nu există nici o corelație secțiunilor transversale cu acest lag
(fig. 2.3). Când grafic ilustrând funcția de autocorelare sau estimările sale, aceste intervale
dau doi limita curbe (de sus și de jos graficul principal). Dincolo de aceste limită curbe este
văzut ca o indicație de semnificație de corelație cu valoarea de lag. Pentru o serie constând
din gravimeter niveluri 115, 139, valorile de autocorelație și autocorelație parțială nu
depășesc intervalul de încredere.
La AR (Autoregressipe) ordinea este determinată de comportamentul PACF, și de
comportamentul ACF - ordinul MA (medie mobilă) (Fig. 3). Dacă există un model în ACF,
numai de AR este inclus în model, și dacă există un model în PACF, numai MAMA este
inclus în model. Cum pentru comenzi, ele sunt determinate de numărul de lag-ul la care
limita intervalului de încredere se produce. În plus, prezența semnificativă statistic
autocorelație coeficient indică faptul că seria nu este întâmplătoare, și există o anumită relație
între observații succesive. Un impact negativ semnificativ coeficientul de autocorelație arată
de înaltă frecvență nivel de oscilații. Liniar coeficienții de autocorelație a caracteriza
etanșeitatea numai relația liniară între curent și nivelurile anterioare ale seriei. Prin urmare,
de coeficienții de autocorelație, se poate judeca numai despre prezența sau absența de o
relație liniară între nivelurile de serie. Pentru a verifica seria de non-liniare tendințe liniare de
autocorelație coeficienții sunt calculați pentru serii de timp constând în logaritmi de niveluri
originale. Non-zero valori ale coeficienților de autocorelație a indica un non-linear trend. Cu
toate acestea, în acest caz, nivelurile de serie lua valori negative, astfel încât este imposibil de
a studia un non-linear trend.
O altă metodă utilă pentru studierea periodicitatea este studiul de PACF (Fig. 2b), care
este o aprofundare a conceptului de obicei funcția de autocorelare. În PACF, relația dintre
intermediar observații este eliminat. Cu alte cuvinte, de autocorelație parțială pe un anumit
lag-ul este similar cu regularitate autocorelație, cu excepția că, la calcularea elimină influența
autocorrelations cu gal-uri mai mici [Anderson, 1971; Brillinger, 1980]. La gal-ului 1 (atunci
când nu există valori intermediare în cadrul gal-ului), de autocorelație parțială este egal cu
normal de autocorelație. După cum sa menționat mai sus, periodice componentă pentru un
anumit lag k poate fi eliminat prin efectuarea diferenței de ordine corespunzătoare. Acest
lucru înseamnă că (i-k) -lea element se scade din fiecare i-lea element de rând. Există două
argumente în favoarea considerate transformări:
 în primul rând, în acest fel este posibil să se determine ascunse periodice componente de
serie. Reamintim că autocorrelations succesive pe gal-uri sunt dependente. Prin urmare,
eliminarea unor autocorrelations va schimba alte autocorrelations care poate fi suprimat, și
face unele alte sezoniere componente mai vizibile.
 în al doilea rând, eliminarea componentei sezoniere transformă seria de timp într-o serie
staționară, care este necesar pentru aplicarea de ARIMA (Autoregressive Integrated Moving
Average) și alte metode, de exemplu, analiza spectrală. Încercare criteriul pentru verificarea
semnificației coeficienților de autocorelație este Box – Pierce test [Shanchenko , 2008]:
m
(7) Q=n ∑ r k
k =1
unde rk – este coeficientul de autocorelație de lag k, m – este cel mai mare lag, n –e rândul
lungime. Datele statistice de la criteriul (7) este un χ2 distribuite variabilă aleatoare cu m
grade de libertate. La funcția de autocorelare de o serie de reziduuri indică faptul că o
tendință și fluctuațiile încă există în ea, și aplicarea repetată a procedurii nu își schimbă
natura. În astfel de cazuri, este recomandat pentru a construi o mișcare medie timp model de
serie și să efectueze o analiză mai profundă de fluctuații periodice [Spezialvorlesung
Zeitreihenanalyse, 2007]. Criteriul de adecvare a modelului de serie de timp este
indistinguishability de o serie de reziduuri rezultate din procesul de "zgomot alb" [Anderson,
1971; Brillinger, 1980; Box, Jenkins, 1974; Marneau, 2008] .2007]. Cutie-Ljung statisticile
calculate pentru a testa semnificația autocorrelations este mai mică decât valoarea critică
corespunzătoare probabilitatea de semnificație α = 0.05. O analiză mai profundă de fluctuații
periodice în scopul de a detecta ascunse periodicities este realizată folosind analiza spectrală
a seriilor de timp. Tabel (Tabelul 3). prezinta caracteristici numerice de regresie dintre aceste
gravimeters 115, 139 de timp (Nummer). Tabelul, de asemenea, arată că, potrivit datelor de
corelație valoare, Gravimeter 115 pe Nummer este R = 0.282, și Gravimetr139 pe Nummer
este R = 0.327, (Tabelul 3) testul Durbin-Watson coeficient arată de autocorelație, care ia
valori în intervalul (0.4) [Seigno, 2007]. Valorile apropiate de 0 indică autocorelare pozitivă
puternică, aproape de 4, autocorelare negativă puternică, și aproape de 2, nu de autocorelație.
În această problemă, valoarea Durbin-Watson coeficient este: d = 1.876, și starea de 1,5 <d
<2.5 este mulțumit. În consecință, nu există autocorelație [Sidenko, Vishnyakov, Isaev,
2011]. Potrivit lui Fisher criteriu, modelul de regresie s-a dovedit a fi nesemnificative pentru
toate regresori incluse în cele cinci modele, deoarece probabilitatea de semnificație de F-
proba de testare statistică utilizată pentru a testa ipoteza nulă H0: ecuația de regresie este
nesemnificativă, nute egal cu 0.562. (Tabelul 10)

Serii de timp prognoză

Prognoza a fost făcută folosind EXCEL 2016. Dacă începeți prognoză înainte de
ultimul punct, puteți obține o estimare a prognozei precizie prin compararea prognoza serie
cu date reale. Cu toate acestea, dacă începeți prognoză prea devreme, prognoza poate diferi
de prognoza, bazate pe toate datele statistice. Acest lucru va face prognoza mai precisă.
Dacă datele arată tendințele sezoniere, este recomandat să înceapă de prognoză de la
data înainte de ultimul punct de statistică.
0

-0.05

-0.1

-0.15

-0.2

-0.25

-0.3

-0.35

-0.4
1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154 163 172 181 190 199 208 217 226 235 244 253

forecast (Gravimeter 115)

Gravimeter115 Прогноз(Gravimeter115)
scăzut probabilitatea obligatorii (Gravimeter mare probabilitate de legare (Gravimeter 115)
Привязка низкой вероятности(Gravimeter115) Привязка высокой вероятности(Gravimeter115)
115)
Figura: 4. Serii de timp zile (Gravimeter 115)
 2.5

1.5

0.5

-0.5
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101106111116121126131136141146151156161
forecast (Gravimeter 139)
Gravimeter139 Прогноз(Gravimeter139)
probabilitate scăzută de legare (Gravimeter mare probabilitate de legare (Gravimeter 139)
Привязка низкой вероятности(Gravimeter139) Привязка высокой вероятности(Gravimeter139)
139)
Figura: 5. Serii de timp zile (Gravimeter 139)
Testul Kolmogorov – Smirnov
Baza testului este de a calcula diferența maximă între cumulative rate de eșantionare și
funcția de distribuție normală. Această diferență este notată cu valoarea z, pe baza cărora
probabilitatea de semnificație se calculează (Tabel 5) Potrivit Kolmogorov – Smirnov
criteriu, ipoteza nulă Н0: conformitatea cu distribuția normală a datelor gravimetrice este
confirmat [Seigno, 2007; Bernhardt 2007; SPSS Tendințele 14.0, 2006]. Unul dintre
indicatorii de normalitatea distribuției eșantionului este kurtosis și asimetrie. (Tabelul 2)
Tabel 5. One-Sample Kolmogorov-Smirnov Test
Gravimeter115 Gravimeter139
N 130 130
Înseamnă -.28285 -.26877
Parametri Normalia,b
Std. Abaterea .011485 .069453
Absolute .119 .428
cele Mai Extreme
Pozitiv .082 .428
Diferențe
Negativ -.119 -.350
Kolmogorov-Smirnov Z 1.358 4.885
Asymp. Sig. (2-tailed) .050 .000
- o. - Testul de distribuție este Normală; b. - Calculată din date.

Tabel 6. Statistici Descriptive

 N Minimum Maximum Mean Std. Skewness Kurtosis
Abaterea
Statistic Statistică Statistică Statistic Statistică Statistică Std. Statistică Std.
ă ă Eroar Eroar
e e
Gravimeter115 130 -.331 -.232 -.28285 .011485 -.513 .212 5.609 .422
Gravimeter139 130 -.319 .281 -.26877 .069453 7.758 .212 60.240 .422
Valid N
130
(listwise)

Model de rezumat și estimări ale parametrilor

Regresii să fie luate în considerare: liniară, logaritmică; invers; pătratice; cubi;
exponențială. Alegerea optimă modele de serii de timp: R-pătrat pentru staționare parte
[Spezialvorlesung Zeitreihenanalyse, 2006; SPSS Tendințele 14.0, 2006]; un indicator de
comparație din partea staționară a modelului (fără o tendință) cu un simplu spui modelul.
Această măsură este de preferat să periodice R-squared atunci când există o tendință
sezonieră sau componentă. La R-squared criteriu de staționare parte, de asemenea, poate lua
valori negative, ceea ce înseamnă că a considerat modelul este mai rău decât modelul simplu,
și valori pozitive opus, care este, considerat model este mai bun decât cel simplu. O valoare
negativă a R-pătrat criteriu poate fi, de asemenea, obținute de ecuații care nu conțin o
interceptare. În acest caz, valoarea R-squared test nu poate fi interpretat ca piata de corelație.
Astfel de situații arată că termenul ar trebui să fie prezente în modelul [Volodin, 2006].
Netezire exponențială și serii de timp prognoză metoda
Serii de timp teoria are o varietate de metode pentru a prezice nivelul seriei de valori
care pune în aplicare o extrapolare sistem. Asta este, seria este investigat, și se presupune că
proprietățile sale nu se va schimba în viitor.
Una dintre cele mai comune metode este simpla metoda de netezire exponențială. În
ciuda simplitatea aparatului matematic folosit, potențial predictiv de metoda nu este inferior
la metode care folosesc mai adânc matematice metode de extrapolare. De netezire
exponențială metodă se referă la metodele neparametrice pentru analiza seriilor de timp,
deoarece aplicarea acesteia nu depinde de tipul de distribuție de componenta aleatoare. De
netezire exponențială metodă face posibilă pentru a obține o estimare a tendinței parametrii
 care caracterizează nu nivelul mediu al seriei, dar tendința care s-a dezvoltat de timp de la
ultima observație. De multe ori, cele mai frecvente simplu netezire exponențială model este
folosit pentru a prezice non-serii de timp staționare:
(8) S t =αx t + βS t −1

unde - St – valorile netezite, xt - original seriei la momentul t; α– parametru de netezire, 0 <α

<1; β=1-α. Această formulă este aplicată recursiv - fiecare noua valoare este calculată ca
medie ponderată a dat de observație (care este, de asemenea, o prognoză) și netezite serie.
Serii de timp analiza spectrala
Analiza spectrală este folosit pentru a determina periodic componentă pentru un
cunoscut perioadă lungime. În fapt, aceasta este regresia liniară, în cazul în care variabila
dependentă este nivelurilor de serie, și funcțiile sinus si cosinus sunt regresori. Analiza
spectrală determină corelația dintre regresori de diferite frecvențe cu datele observate. Un
bine-cunoscut teorema [Box, Jenkins, 1974; Kolmogorov, Fomin, 1976; Piskunov, 1964], în
conformitate cu care, printre toate trigonometrice polinoame de ordinul n cel rădăcină-mean-
square abatere a unui polinom, dorit coeficienții de care sunt coeficienții Fourier. Una dintre
metodele de modelare de sezon și fluctuațiile ciclice se bazează pe utilizarea de unul-
dimensional serie Fourier. Seria Fourier este un algoritm euristic care este unul dintre soiurile
de analiză spectrală. Prin utilizarea analizei spectrale în structura seriilor de timp, vârf de
abateri de la tendința este determinată, ceea ce face posibil pentru a calcula durata de
periodice componentă a seriei. Atunci când se aplică analiza spectrală, un aleatoare
staționare proces este reprezentat ca o sumă de oscilații armonice de frecvențe diferite,
numite armonici. Spectrul descrie distribuția amplitudinilor de un aleatoare staționare proces
pe frecvențe diferite. Ancheta de frecvența structura de serie este realizată de către "Analiză
Spectrală" procedura a pachetului SPSS. Uns cunoscut, aproape orice funcție periodică poate
fi aproximată folosind seriile Fourier, suma de sines și ambianta [Cutie, Jenkins, 1974;
Piskunov, 1964; Smirnov, Dunin-Barkovsky, 1965; Backhaus, 2011; Spezialvorlesung
Zeitreihenanalyse, 2006]:
(9) xt  a cost   b sin t ; 0  w  
 Când modelarea unei serii de timp cu suma de sines și ambianta, sinusoidale periodice
componente apar pe periodogram în formă de noduri separate, și non-sinusoidale cele în
formă de o serie de egal distanțate noduri de diferite înălțimi. La vârf corespunde frecvența
cea mai mică indică frecvența periodică componentă în seria de timp [Spezialvorlesung
Zeitreihenanalyse, 2007]. Natura celelalte vârfuri indică faptul că forma anuale periodice
component nu este sinusoidală. Pentru serii nestaționare, cu o suprafață netedă tendință,
periodogram conține o creștere bruscă în frecvență joasă regiune. Graficul seriei de timp
medii lunare cutremure (Fig. 1) arată că seria poate conține ascunse oscilații periodice. La
periodogram (Fig. 6) descrie o secvență de haotic vârfuri, și este imposibil să vorbim despre
semnificativă cicluri periodice de frecvențe diferite. Forma de periodogram indică o tendință
[Burtiev, 2014]. În general, analiza de posibil periodicities se face cel mai bine folosind un
netezite periodogram (densitate spectrală funcția) (Fig. 7). În domeniul frecvență, tendința se
manifestă în formă de o oscilație cu un infinit de perioadă lungă de timp, și, respectiv, cu o
frecvență foarte scăzută. Această tendință poate afecta valorile de densitate spectrală a
funcționa la capătul din stânga al gamă de frecvență. Prin urmare, pentru aplicarea corectă de
analiză spectrală, seria ar trebui să fie descompus în componente și tendința de eliminat.
Abordări diferite pentru a identifica o tendință de a da diferite variante ale acesteia; respectiv,
valorile de nivelurile din seria eliberat de trend sunt, de asemenea, diferite. Se pune
întrebarea dacă aceste diferențe afectează valorile de densitate spectrală de funcție?
De joasă frecvență oscilații sunt de interes special, deoarece pe termen lung tendințe în
dinamica de serie sunt cuprinse în regiunea de joasă frecvență. Cel mai bine tendința
component model, mai multe fluctuații conține. Prin teorema lui Dirichlet [Smirnov, 1974;
Iușcenko, Yakubovich, 2008; Tsapaeva, 2011] o funcție continuă cu o perioadă de 2π este
unic determinat de o serie Fourier:
(10) a0 ∞
f (t )= + ∑ a n cos (nt )+bn sin (nt )
2 n=1

Aplicarea acestei metode necesită cunoștințe de frecvența structura de serie. Această

metodă de compensare serie de componente cu frecvențe nedorite nu a îmbunătăți prognoza
de calitate. Autoregressive integrated moving average (ARIMA) modelul este folosit pentru
modelul non-serii de timp staționare. Acest model este una dintre metodele pentru estimarea
necunoscute parametrii și prognoza seriilor de timp.

Figura 6. Periodogram și analiza spectrală a seriilor de timp (Gravimeter 115)

Figura 7. Periodogram și analiza spectrală a seriilor de timp (Gravimeter 139)

Statistică descriptivă
Aceste caracteristici centrale tendință, care descrie poziția de distribuție și
răspândirea, sunt afișate în mod implicit. Central tendință caracteristicile includ valoarea
medie, mediana, și 5% trimmed mean. Scatter caracteristici reflectă gradul de diferența între
valorile de studiat date; acestea includ eroarea standard, varianța, abaterea standard, valorile
minime și maxime ale variabilelor, gama și interval de variație. Statistici Descriptive includ,
de asemenea, caracteristicile de forma de distribuție, cum ar fi skewness și kurtosis, care
sunt raportate împreună cu erori standard. 95% interval de încredere pentru media este, de
asemenea, afișate; puteți specifica o valoare diferită pentru nivelul de încredere.
M-estimări. Alternative de Robust pentru a proba medie și mediană pentru poziția de
estimare. Acestea diferă în ponderile atribuite observații. Următoarele estimări sunt derivate:
Huber M-estimare, Andrews val estimare, Hampel coboară M-estimarea lui Tukey biwees
estimare.
Puteți alege una sau mai multe dintre următoarele subgrup statisticile calculate pentru
variabile din fiecare categorie separată de fiecare variabila de grupare: suma, numărul de
cazuri, media, mediana, grupul median, eroarea standard a mediei, valorile minime și
maxime, gama, valoarea din variabila de grupare pentru prima categorie, valoarea din
variabila de grupare pentru ultima categorie, abaterea standard, varianța, kurtosis, eroarea
standard a kurtosis, skewness, eroarea standard skewness, % din total, la sută din totalul de
N, % din sumă, la suta de N în, media geometrică , armonică spun. Puteți schimba ordinea
în care subgrup statistici sunt afișate.
Concluzii
În această lucrare, o serie de timp modelul este folosit pentru a studia structura de
gravimetrice seria de date pentru a identifica modele în schimbare de la serie de niveluri și
de a construi modelul său, în scopul de a anticipa și de a studia relațiile dintre nivelurile de
gravity date. Observațiile din activitatea de geofizică procese au arătat că perioadele de
variații în procese geofizice sunt împrăștiate haotic pe axa timpului. În funcție de programul
lor, este imposibil să vorbim cu siguranta despre regularitatea în durata perioadelor de
variante, și în alternanța de perioade de seismică perioadă de acalmie , cu o perioadă de
activitate seismică ridicată. Un impuls pentru acest studiu a fost dorința de a analiza
structura unui număr de metode formale pentru a căuta modele statistice în variații ale unor
parametri geofizici de-a lungul timpului. Modele de serii de timp au fost folosite pentru a
studia dinamica de evenimente geofizice. Prognoza a fost realizată folosind EXCEL 2016
(Fig. 4). Precizia prognozei este indicat prin compararea prognoza serie cu datele reale.
Valorile prezise de gravitate sunt date în intervale de încredere (Fig. 4). Dacă în prognoză
este început prea devreme, prognoza poate furniza rezultate eronate din cauza lipsei de date
statistice. Dacă datele arată tendințele sezoniere, este recomandat să înceapă de prognoză de
la data înainte de ultimul punct de statistică.

REFERINȚE
Андерсон Т., Статистический анализ временных рядов. Мир, Москва, 1971, 746.
Бокс Дж., Дженкинс Г., Анализ временных рядов. Прогноз и управление. Вып. Eu.
Москва. Мир. 1974. 406.
Бриллинджер Д., Временные ряды. Обработка данных и теория. Мир, Москва, 1980,
532.
Володин И. Н., Лекции по теории вероятностей и математической статистике, Казань,
2006, 270.
Кендал М., Временные ряды. Москва. 1981. 198.
Кисляк Н. В. Эконометрика. Екатеринбург. 2007, 157.
Колмогоров А.Н., Фомин С. В., Элементы теории функций и функционального
анализа. Москва, Наука, 1976, 542.
Крамер Гаральд. Математические методы статистики. Москва. Мир. 1975. 648.
Марно Вербик. Путеводитель по современной эконометрике. Москва 2008, 616.
Сеньо П. С., Теорamя ймовamрностей та математична статистика. Киïв, Знання, 2007,
558.
Смирнов, И.В. Дунин-Барковский Н.В., Курс теории вероятностей и математической
статистики. Наука, Москва, 1965, 511
Пискунов Н.С., Дифференциальное и интегральное исчисление. Москва, Наука, 1964,
312.
Хеннан Э., Многомерные временные ряды. Мир, Москва, 1974, 575.
Христиановский В.В. Анализ временных рядов в экономике: практика применения:
2011, 127.
Цапаева С. А. Ряды Фурье, Великий Новгород, 2011.
Шанченко Н. И., Лекции по эконометрике. Ульяновск. 2008, 139.
Ющенко Д.П., О. В. Якубович, Математический Анализ. Ряды Фурье, Гомель, 2008,
148.
Backhaus K. et al., Multivariată Analysemethoden, Springer – Verlag Berlin Heidelberg,
2011, 120-154.
Bernhardt Christine. Modellierung von Elektrizitätspreisen durch lineare Zeitreihenmodelle
und Valoare–la–Risc–Schätzung mittels Methoden aus der Extremwerttheorie Technische
Universität München. Zentrum Mathematik. München. 2007, 97.
Burtiev R. Z., Serii de Timp, în Studiul Regimului Seismic din zona Vrancea (România)
Zonă Seismică. Globale De Mediu, Ingineri, 2014, Volum. 1. N2, Karachi, Pakistan, 54-63.
Spezialvorlesung Zeitreihenanalyse–Mit Beispielen în Mathematica Institut fur
Stochastik, Johannes Kepler Din Linz. Linz, 2006, 277.
SPSS Tendințele 14.0. Copyright © 2005 SPSS Inc. Chicago. 2006, 165.