В этой модели текущие значения случайного процесса выражаются как конечная линейная комбинация предыдущих его значений и белого шума:
, (6.76)
где – центрированный случайный процесс, ; at – белый шум с нулевым математическим ожиданием и среднеквадратическим отклонением sa.
Модель (6.76) содержит p + 2 параметров: ,
где mx – математическое ожидание случайного процесса X (t);
– коэффициенты модели (константы).
Модель (6.76) называют моделью авторегрессии p -того порядка и обозначают АР(p).
При p = 1 получаем
. (6.77)
Эту модель называют моделью авторегресси первого порядка АР(1) или моделью марковского процесса. Для процесса АР(1) коэффициент f 1и ординаты автокорреляционной функции связаны соотношением
. (6.78)
Учитывая, что r 0 = 1, получаем:
. (6.79)
Таким образом, для АР(1) автокорреляционная функция полностью определяется своей первой ординатой. При этом f 1 = r 1.
При p = 2 получаем
. (6.80)
Эту модель называют моделью авторегресси второго порядка АР(2) или процессом Юла.
Для процесса Юла коэффициенты f 1 и f 2 связаны с ординатами автокорреляционной функции следующими соотношениями:
, (6.81)
. (6.82)
, (6.83)
. (6.84)
И вообще для любого значения k > 0 процесса АР(2):
. (6.85)
Таким образом, для АР(2) автокореляционная функция полностью определяется первыми двумя ординатами.
При моделировании гидрологических рядов по модели авторегрессии необходимо также знать среднеквадратическое отклонение шума. В общем случае СКО a определяется формулой
. (6.86)
Спектральная плотность процессов АР(1) и АР(2) может быть выражена через параметры модели.
Для процесса АР(1) нормированная спектральная плотность определяется выражением:
, (6.87)
где ; p – число Пи. При этом период и частота связаны соотношением .
Для процесса АР(2) нормированная спектральная плотность может быть вычислена по формуле:
. (6.88)