802.11 17章

802.11 是Wi-Fi技术的标准化组织 IEEE（ Institute of Electrical and Electronics Engineers）制定的一系列协议，主要用于无线局域网(WLAN)通信。802.11标准定义了无线网络的物理层（PHY）和媒体访问控制(MAC)层规范。

802.11 17章通常是指802.11标准中的一个特定章节，但根据公开的信息，802.11标准主要关注的是Wi-Fi的技术细节，如帧结构、数据传输、安全等方面，并不直接包含单独的"第17章"这样的详细编号。然而，如果这个章节存在，可能涉及的内容可能是无线网络的新特性、扩展或未来的草案，例如802.11ac、802.11ax（Wi-Fi 6）或后续版本中的某些部分。

由于802.11标准更新频繁，具体章节内容可能会随着新版本的发布而变化。要获取802.11 17章的最新信息，建议查阅最新的IEEE 802.11标准文档或者访问IEEE官方网站。

相关问题

用PYTHON编写自1971年7月开始，道琼斯工业股票平均价格指数每周收盘价如表所示（行数据）。 890.19 901.8 888.51 887.78 858.43 850.61 856.02 880.91 908.15 912.75 911 908.22 889.31 893.98 893.91 874.85 852.37 839 840.39 812.94 810.67 816.55 859.59 856.75 873.8 881.17 890.2 910.37 906.68 907.44 906.38 906.68 917.59 917.52 22.79 942.43 939.87 942.88 942.28 940.7 962.6 967.72 963.8 954.17 941.23 941.83 961.54 971.25 961.39 934.45 945.06 944.69 929.03 938.06 922.26 920.45 926.7 951.76 964.18 965.83 959.36 970.05 961.24 947.23 943.03 953.27 945.36 930.46 942.81 946.42 984.12 995.26 1005.57 1025.21 1023.43 1033.19 1027.24 1004.21 1020.02 1047.49 1039.36 1026.19 1003.54 980.81 979.46 979.23 959.89 961.32 972.23 963.05 922.71 951.01 931.07 959.36 963.2 922.19 953.87 927.89 895.17 930.84 893.96 920 888.55 879.82 891.71 870.11 885.99 910.9 936.71 908.87 852.38 871.84 863.49 887.57 898.63 886.36 927.9 947.1 971.25 978.63 963.73 987.06 935.28 908.42 891.33 854 822.25 838.05 815.65 818.73 848.02 880.23 841.48 855.47 859.39 843.94 820.4 820.32 855.99 851.92 878.05 887.83 878.13 846.68 847.54 844.81 859.9 834.64 845.9 850.44 818.84 816.65 802.17 853.72 843.09 815.39 802.41 791.77 787.23 787.94 784.57 752.58(1）检验该序列的平稳性。 (2）对该序列拟合适当的ARIMA模型提取水平信息。 (3）考察该序列是否具有条件异方差属性。如果有条件异方差属性，则拟合适当的条件异方差模型。 (4）使用拟合模型预测该序列未来4周的收盘价及收盘价的95％的置信区间。

好的，以下是代码实现的步骤：

步骤1：导入必要的库

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm
from statsmodels.tsa.arima_model import ARIMA
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.stats.diagnostic import acorr_ljungbox
from arch import arch_model

步骤2：读取数据并进行预处理

data = [890.19, 901.8, 888.51, 887.78, 858.43, 850.61, 856.02, 880.91, 908.15, 912.75, 911, 908.22, 889.31, 893.98, 893.91, 874.85, 852.37, 839, 840.39, 812.94, 810.67, 816.55, 859.59, 856.75, 873.8, 881.17, 890.2, 910.37, 906.68, 907.44, 906.38, 906.68, 917.59, 917.52, 22.79, 942.43, 939.87, 942.88, 942.28, 940.7, 962.6, 967.72, 963.8, 954.17, 941.23, 941.83, 961.54, 971.25, 961.39, 934.45, 945.06, 944.69, 929.03, 938.06, 922.26, 920.45, 926.7, 951.76, 964.18, 965.83, 959.36, 970.05, 961.24, 947.23, 943.03, 953.27, 945.36, 930.46, 942.81, 946.42, 984.12, 995.26, 1005.57, 1025.21, 1023.43, 1033.19, 1027.24, 1004.21, 1020.02, 1047.49, 1039.36, 1026.19, 1003.54, 980.81, 979.46, 979.23, 959.89, 961.32, 972.23, 963.05, 922.71, 951.01, 931.07, 959.36, 963.2, 922.19, 953.87, 927.89, 895.17, 930.84, 893.96, 920, 888.55, 879.82, 891.71, 870.11, 885.99, 910.9, 936.71, 908.87, 852.38, 871.84, 863.49, 887.57, 898.63, 886.36, 927.9, 947.1, 971.25, 978.63, 963.73, 987.06, 935.28, 908.42, 891.33, 854, 822.25, 838.05, 815.65, 818.73, 848.02, 880.23, 841.48, 855.47, 859.39, 843.94, 820.4, 820.32, 855.99, 851.92, 878.05, 887.83, 878.13, 846.68, 847.54, 844.81, 859.9, 834.64, 845.9, 850.44, 818.84, 816.65, 802.17, 853.72, 843.09, 815.39, 802.41, 791.77, 787.23, 787.94, 784.57, 752.58]
df = pd.DataFrame({'Close': data})

步骤3：检验平稳性

使用ADF单位根检验来检验该序列的平稳性。若p值小于0.05，则拒绝原假设，认为序列是平稳的。

result = sm.tsa.stattools.adfuller(df['Close'])
print('ADF Statistic: %f' % result[0])
print('p-value: %f' % result[1])

步骤4：确定模型阶数

使用ACF和PACF图来确定ARIMA模型的阶数。

fig, ax = plt.subplots(2, 1, figsize=(10, 8))
plot_acf(df, lags=30, ax=ax[0])
plot_pacf(df, lags=30, ax=ax[1])
plt.show()

步骤5：拟合ARIMA模型

根据确定的阶数，拟合ARIMA模型。

model = ARIMA(df, order=(1, 1, 1)).fit()
print(model.summary())

步骤6：检验条件异方差

使用LB检验来检验该序列是否具有条件异方差属性。若p值小于0.05，则认为该序列具有条件异方差属性。

lbvalue, pvalue = acorr_ljungbox(model.resid, lags=[10])
print('p-value: ', pvalue)

步骤7：拟合ARCH模型

若序列具有条件异方差属性，则使用ARCH模型进行拟合。

model = arch_model(df, vol='GARCH', p=1, q=1, dist='Normal')
fit_model = model.fit(disp='off')
print(fit_model.summary())

步骤8：预测未来四周收盘价

使用拟合好的模型来预测未来四周的收盘价，并计算95%的置信区间。

forecast = fit_model.forecast(horizon=4)
print(forecast.mean[-1])
print(forecast.residual_variance[-1])
print(forecast.variance[-1])
print(forecast.conf_int())

以上就是实现该问题的代码步骤，需要注意的是，具体的模型阶数、ARCH模型的参数等需要根据实际数据情况来确定。

使用python软件编写代码 自1971年7月开始，道琼斯工业股票平均价格指数每周收盘价如表所示（行数据）。 890.19 901.8 888.51 887.78 858.43 850.61 856.02 880.91 908.15 912.75 911 908.22 889.31 893.98 893.91 874.85 852.37 839 840.39 812.94 810.67 816.55 859.59 856.75 873.8 881.17 890.2 910.37 906.68 907.44 906.38 906.68 917.59 917.52 22.79 942.43 939.87 942.88 942.28 940.7 962.6 967.72 963.8 954.17 941.23 941.83 961.54 971.25 961.39 934.45 945.06 944.69 929.03 938.06 922.26 920.45 926.7 951.76 964.18 965.83 959.36 970.05 961.24 947.23 943.03 953.27 945.36 930.46 942.81 946.42 984.12 995.26 1005.57 1025.21 1023.43 1033.19 1027.24 1004.21 1020.02 1047.49 1039.36 1026.19 1003.54 980.81 979.46 979.23 959.89 961.32 972.23 963.05 922.71 951.01 931.07 959.36 963.2 922.19 953.87 927.89 895.17 930.84 893.96 920 888.55 879.82 891.71 870.11 885.99 910.9 936.71 908.87 852.38 871.84 863.49 887.57 898.63 886.36 927.9 947.1 971.25 978.63 963.73 987.06 935.28 908.42 891.33 854 822.25 838.05 815.65 818.73 848.02 880.23 841.48 855.47 859.39 843.94 820.4 820.32 855.99 851.92 878.05 887.83 878.13 846.68 847.54 844.81 859.9 834.64 845.9 850.44 818.84 816.65 802.17 853.72 843.09 815.39 802.41 791.77 787.23 787.94 784.57 752.58(1）检验该序列的平稳性。 (2）对该序列拟合适当的ARIMA模型提取水平信息。 (3）考察该序列是否具有条件异方差属性。如果有条件异方差属性，则拟合适当的条件异方差模型。 (4）使用拟合模型预测该序列未来4周的收盘价及收盘价的95％的置信区间。

以下是Python代码实现：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller, kpss
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.het_arch import ARCH

# 读取数据
data = pd.read_csv('dow_jones.csv', header=None)
data.columns = ['close_price']
data.index = pd.date_range(start='1971-07-01', periods=len(data), freq='W')
print(data.head())

# 平稳性检验
adf_result = adfuller(data)
print('ADF检验结果：')
print('ADF统计量：', adf_result[0])
print('p值：', adf_result[1])
print('滞后阶数：', adf_result[2])
print('样本数量：', adf_result[3])
print('检验结果：', '平稳' if adf_result[1] < 0.05 else '非平稳')

kpss_result = kpss(data)
print('KPSS检验结果：')
print('KPSS统计量：', kpss_result[0])
print('p值：', kpss_result[1])
print('滞后阶数：', kpss_result[2])
print('检验结果：', '非平稳' if kpss_result[1] < 0.05 else '平稳')

# 拟合ARIMA模型
model = ARIMA(data, order=(2, 0, 1)).fit()
print('ARIMA模型参数：', model.params)

# 条件异方差检验
resid = model.resid
arch_test = ARCH(resid).fit()
print('条件异方差检验结果：')
print('ARCH统计量：', arch_test.arch_lm_test().lm)
print('p值：', arch_test.arch_lm_test().pvalue)
print('检验结果：', '有条件异方差' if arch_test.arch_lm_test().pvalue < 0.05 else '无条件异方差')

# 预测未来4周收盘价及置信区间
forecast = model.forecast(steps=4)
forecast_ci = forecast.conf_int(alpha=0.05)
print('未来4周收盘价预测值：\n', forecast[0])
print('未来4周收盘价95%置信区间：\n', forecast_ci)

其中，平稳性检验使用了ADF检验和KPSS检验。拟合ARIMA模型使用了statsmodels库中的ARIMA函数。条件异方差检验使用了statsmodels库中的ARCH函数。最后，使用拟合好的模型进行未来4周收盘价的预测，并计算了95%的置信区间。