- •1. Общие положения
- •1.1. Цель и задачи кп
- •1.2. Содержание и объём кп
- •1.3. Этапы выполнения кп
- •2. Теоретические основы методов, применяемых в кп
- •2.1. Предварительная обработка статистических данных
- •2.2. Вейвлет анализ временного ряда
- •2.3. Сингулярный спектральный анализ временного ряда
- •2.4.1. Рекуррентное ssa-прогнозирование
- •2.4. Методы ssa-прогнозирования
- •2.4.2. Векторное ssa-прогнозирование
- •2.4.3. Формирование доверительных интервалов
- •2.5. Основы аналитического подхода к оценке риска спектральными методами
- •2.5.1. Относительные меры риска
- •Спектральная плотность Fu(ω) распределения дисперсии ущерба
- •Энергетические спектры ущерба Fu(ω) и гармонического сигнала Fг
- •2.5.2. Расчет прогностической меры риска
- •Ряд прогноза y[n]
- •3. Этапы выполнения основной части кп
- •4. Пример анализа временного ряда предложенными методами
- •4.1. Статистика количества почтовых писем, классифицированных как спам
- •4.1.1. Предварительная обработка статистических данных
- •4.1.2. Вейвлет анализ временного ряда
- •4.1.3. Сингулярный спектральный анализ временного ряда
- •4.1.4. Расчет прогностической меры риска
- •Исходный ряд и ряд прогноза
- •Ряд прогноза
- •4.2. Статистика случаев мошенничества с кредитными картами
- •4.2.1. Предварительная обработка статистических данных
- •4.2.2. Вейвлет анализ временного ряда
- •4.2.3. Сингулярный спектральный анализ временного ряда
- •4.2.4. Расчет прогностической меры риска
- •Восстановленный ряд и ряд прогноза
- •Прогноз ущерба от мошеннических операций с распределенными платежными системами на 2012 год
- •Распределения вероятностей нанесения ущербов
- •5. Требования к оформлению и объему кп
- •5.1. Общие требования
- •5.2. Правила оформления текстовых документов
- •5.3. Правила нумерации страниц
- •5.4. Правила оформления иллюстраций
- •5.5. Оформление таблиц
- •5.6. Приложение
- •5.7. Типичные ошибки при выполнении кп
- •5.8. Дополнительные рекомендации по выполнению кп
- •6. Порядок оценки работы
- •Библиографический список Основная литература
- •Дополнительная литература
- •Оглавление
- •394026 Воронеж, Московский просп., 14
Энергетические спектры ущерба Fu(ω) и гармонического сигнала Fг
Таким образом, для получения объективной количественной оценки статистического риска необходимо:
1) сформировать базу статистических данных для того показателя, получение которого связано с оцениваемым риском;
2) оценить математическое ожидание наблюдаемого показателя;
3) создать базу данных из отклонений полученных результатов относительно математического ожидания, то есть сформировать распределение ущерба;
4) построить корреляционную функцию ущерба и проверить выполнение условия стационарности и эргодичности: с ростом промежутка между наблюдаемыми значениями корреляционная функция должна стремиться к нулю. Для большинства встречающихся на практике случаев это условие будет выполняться, так как с увеличением временного промежутка результаты наблюдения, как правило, становятся слабо коррелированными между собой;
5) определить энергетический спектр ущерба;
6) оценить форму энергетического спектра ущерба по сравнению с белым шумом, либо гармоническим сигналом и рассчитать показатель, характеризующий уровень риска, с учетом плотности вероятности ущерба.
2.5.2. Расчет прогностической меры риска
Расчет прогностической меры риска [17], определяющей риск реализации ущерба данной величины на прогнозируемом интервале, связан с построением прогнозного ряда методами сингулярного спектрального анализа и построением доверительных интервалов прогноза на уровне значимости .
Введем некоторый интервал (U1, U2), в пределах которого, при попадании значения исследуемого параметра, наносится ущерб определенной величины U.
Оценкой вероятности
попадания значения в этот интервал
может являться отношение площадей
пересечения интервала (U1,
U2) и
доверительного интервала
к общей площади доверительного
интервала.
Для вычисления этих площадей рассмотрим более подробно график SSA прогноза некоторого сигнала.
Ряд прогноза y[n]
График разбивается на участки:
Пусть:
SU1 – площадь (до нижней границы графика) под прямой U1,
SU2 – площадь под прямой U2,
Sα+
– площадь под функцией
,
Sα–
– площадь под функцией
.
Тогда, в соответствии с разбиением, площадь пересечения S1 интервала (U1, U2) и доверительного интервала в границах разбиения, найдем как:
а) S1 = 0;
б) S1 = SU2 – Sα–;
в) S1 = SU2 – SU1;
г) S1 = Sα+ – Sα–;
д) S1 = Sα+ – SU1;
е) S1 = 0.
По M точкам (t0,…,tM-1) прогноза, площадь можно оценить, например методом «трапеций». Обозначим min = min( ), тогда получим:
SU1(t)= U1×t +min×t;
SU2(t)= U2×t +min×t;
Sα+(t)=
+min×t;
Sα–(t)=
+min×t;
а) S1 = 0;
б) S1 = U2×t – ;
в) S1 = U2×t – U1×t;
г) S1
=
;
д) S1 = – U1×t;
е) S1 = 0
При этом, общая
площадь доверительного интервала S,
в случае программной реализации, когда
верхняя и нижняя доверительные границы
будут представлены массивами данных
и
,
удобнее вычислить как:
С учетом
вышесказанного, удобно перейти к
аналогичным выводам в случае г)
В общем случае
доверительные интервалы могут изменяться
с течением прогноза (как показано на
рис. 26), т.е.
,
с учетом новых обозначений, отношение
площади попадающей в интервал к общей
площади доверительных интервалов можно
вычислить на основе метода трапеций,
группируя ряды ущербов, аналогично
статистическому методу. Тогда приходим
к мере риска:
(9)
где l – величина временного интервала между j и j+1, которая может быть продискретизирована при программной реализации до получения необходимой точности расчетов.
Также можно ввести точечную оценку риска:
Эта оценка определяет риск того, что через M точек, с последней точки временного ряда, значение x параметра окажется выше (ниже) порогового значения p.
