En este artículo se analiza la estimación de la función de autocorrelación (ACF) del ruido gaussiano fraccionario (fGn) con dependencia de largo alcance (LRD). Se da un límite de varianza de la estimación de la ACF de un bloque de fGn con LRD para un valor dado del parámetro de Hurst (H). El presente límite proporciona una directriz para exigir que el tamaño del bloque garantice que la varianza de la estimación ACF de un bloque de fGn con LRD para un valor dado de H no supere el límite de varianza predeterminado, independientemente del punto de inicio del bloque. Además, el presente resultado implica que el error de estimación ACF de un bloque de fGn con LRD depende únicamente del número de puntos de datos dentro de la muestra y no de la longitud real de la muestra en el tiempo. Para un tamaño de bloque dado, se observa que el error es mayor para fGn con LRD más fuerte que para el que tiene LRD más débil.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Estratificación del riesgo con Extreme Learning Machine: Un estudio retrospectivo en pacientes del servicio de urgencias
Artículo:
Redes híbridas dispersas de autoatención jerárquica para la clasificación de documentos
Artículo:
Sobre la retracción por deformación del espacio de Eguchi-Hanson y su plegado
Artículo:
La Filtración Natural de Álgebras de Lie Supersimétricas Modulares de Dimensión Finita de Tipo Especial
Artículo:
Expectativa de energía cuántica en hamiltonianos periódicos dependientes del tiempo mediante funciones de Green
Artículo:
Sistemas de producción y potencial energético de la energía mareomotriz
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Artículo:
Análisis teórico e investigación experimental del mecanismo de la pierna del robot-silla andante portador de personas
Artículo:
Mantenimiento de las restricciones de conectividad inalámbrica para enjambres de robots en presencia de obstáculos