🔢 mathematics

Analysis Of A Long Memory Circular Convolution Model

यह शोध पत्र एक सर्कुलेंट मैट्रिक्स को रैंडम नॉर्मल वेक्टर के साथ संयोजित करने वाले एक स्टोकेस्टिक मॉडल को प्रस्तुत करता है जो पावर-लॉ स्पेक्ट्रल डेंसिटी और बीटा लोकेशन-स्केल वितरण वाली इवोल्यूटिव लॉन्ग-मेमोरी टाइम सीरीज़ उत्पन्न करता है, यह प्रदर्शित करते हुए कि मैट्रिक्स का आइजनएनालिसिस (eigenanalysis) प्रमुख सांख्यिकीय गुणों को कैसे प्रकट करता है और अन्वेषण के लिए पुनरुत्पादक R कोड प्रदान करता है।

मूल लेखक: Robert Kimberk

प्रकाशित 2026-02-26

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Robert Kimberk

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ रॉबर्ट किम्बरक के शोध पत्र, "एनालिसिस ऑफ अ लॉन्ग मेमोरी सर्कुलर कन्वोल्यूशन मॉडल" का सरल भाषा में अनुवाद दिया गया है:

बड़ी तस्वीर: अनिश्चितता की भविष्यवाणी करना

कल्पना कीजिए कि आप संगीत सुन रहे हैं। कभी-कभी, संगीत केवल रैंडम शोर (व्हाइट नॉइज़) होता है। कभी-कभी, यह एक स्पष्ट, दोहराने वाली धुन होती है। लेकिन क्या होगा अगर संगीत की एक "याददाश्त" (मेमोरी) हो? क्या होगा अगर 10 मिनट पहले बजाया गया एक तेज़ स्वर अभी भी आपके द्वारा सुने जा रहे शांत स्वरों को प्रभावित कर रहा हो?

यह शोध पत्र एक गणितीय मशीन के बारे में है जो लॉन्ग मेमोरी टाइम सीरीज़ (Long Memory Time Series) बनाती है। ये डेटा के अनुक्रम (जैसे शेयर की कीमतें, मौसम के पैटर्न, या दिल की धड़कन) हैं जहाँ अतीत भविष्य को भारी रूप से प्रभावित करता है, जिससे एक विशिष्ट प्रकार का "शोर" पैदा होता है जिसे 1/f नॉइज़ (या पिंक नॉइज़) कहा जाता है।

लेखक, रॉबर्ट किम्बरक ने सर्कुलर कन्वोल्यूशन (Circular Convolution) नामक एक विशिष्ट प्रकार की गणित का उपयोग करके इन जटिल पैटर्न को उत्पन्न करने का एक नया, सुंदर तरीका बनाया है।

1. मशीन: "घूमता हुआ ड्रम" (द सर्कुलेंट मैट्रिक्स)

इस लॉन्ग-मेमोरी संगीत को बनाने के लिए, लेखक एक उपकरण का उपयोग करते हैं जिसे सर्कुलेंट मैट्रिक्स कहा जाता है।

उपमा: एक विशाल, घूमते हुए ड्रम की कल्पना करें जिस पर नंबर पेंट किए गए हैं।
यह कैसे काम करता है: आपके पास इस ड्रम की ऊपरी पंक्ति पर पेंट किए गए नंबरों की एक सूची (जिसे "सीड" कहते हैं) है। अगली पंक्ति प्राप्त करने के लिए, आप बस ड्रम को दाईं ओर एक कदम घुमाते हैं। जो नंबर दाईं ओर के किनारे से बाहर गिरता है, वह बाईं ओर वापस आ जाता है।
जादू: क्योंकि ड्रम एक पूर्ण चक्र में घूमता है, इसके भीतर का गणित अविश्वसनीय रूप से सममित (symmetrical) है। यह समरूपता लेखक को एक विशेष शॉर्टकट (जिसे डिस्क्रीट फूरियर ट्रांसफॉर्म कहा जाता है) का उपयोग करने की अनुमति देती है, जिससे वे लाखों उबाऊ गणनाएँ किए बिना यह देख सकते हैं कि मशीन वास्तव में कैसे व्यवहार करती है।

2. रेसिपी: सामग्रियों को मिलाना (द बीटा डिस्ट्रीब्यूशन)

शोध पत्र बताता है कि इस मशीन का आउटपुट केवल रैंडम नहीं है; यह एक बहुत ही विशिष्ट आकार का पालन करता है, जैसे कि बेल कर्व या U-आकार। लेखक इसे बीटा डिस्ट्रीब्यूशन कहते हैं।

उपमा: आउटपुट को रेत के ढेर के रूप में सोचें।
- यदि मशीन को "लो मेमोरी" (बीटा = 0) पर सेट किया जाता है, तो रेत एक पूर्ण, चिकने बेल कर्व (नॉर्मल डिस्ट्रीब्यूशन) के रूप में जमा होती है। यह बहुत अनुमानित है।
- यदि आप "मेमोरी" वाला नॉब घुमाते हैं (बीटा बढ़ाते हैं), तो रेत बदलने लगती है।
- मध्यम सेटिंग पर, रेत एक अर्धवृत्त (गुंबद के शीर्ष की तरह) बनाती है।
- उच्च सेटिंग पर, रेत किनारों पर जमा हो जाती है, बीच को खाली छोड़ देती है (जैसे कि U-आकार या आर्कसाइन डिस्ट्रीब्यूशन)।

लेखक ने खोजा कि केवल अपनी रेसिपी में एक नंबर (जिसे बीटा कहा जाता है) बदलकर, वे ठीक से नियंत्रित कर सकते हैं कि डेटा का आकार क्या होगा।

3. गुप्त सॉस: "ढलान" (बीटा)

इस शोध पत्र में सबसे महत्वपूर्ण चर (variable) बीटा है।

उपमा: एक पार्क में रखी स्लाइड (फिसलन पट्टी) की कल्पना करें।
- बीटा = 0: स्लाइड सपाट है। डेटा सपाट और उबाऊ है।
- बीटा = 10: स्लाइड अविश्वसनीय रूप से खड़ी है। डेटा हिंसक रूप से ऊपर-नीचे होता है।
इसका अर्थ: बीटा टाइम सीरीज़ की "खुरदरापन" (roughness) को नियंत्रित करता है। कम बीटा का अर्थ है कि डेटा चिकना और शांत है। उच्च बीटा का अर्थ है कि डेटा जंगली है, जिसमें बड़े उतार-चढ़ाव होते हैं और अचानक पलटने से पहले लंबे समय तक ऊंचे या नीचे रहने के दौर होते हैं। यही वह चीज़ है जो "लॉन्ग मेमोरी" प्रभाव पैदा करती है—डेटा एक लंबे समय तक ट्रेंड में "अटक" जाता है।

4. छिपे हुए आयाम: "वास्तविक" दिशाओं की गिनती

इस शोध पत्र की सबसे शानदार खोजों में से एक इंट्रिंसिक डायमेंशन (Intrinsic Dimension) के बारे में है।

उपमा: कल्पना कीजिए कि आप दीवार पर एक छाया देख रहे हैं। छाया 2D ड्राइंग की तरह दिख सकती है, लेकिन उसे बनाने वाली वस्तु एक जटिल 3D मूर्ति हो सकती है।
खोज: लेखक ने पाया कि भले ही टाइम सीरीज़ नंबरों की एक लंबी रेखा की तरह दिखती है, लेकिन डेटा की "वास्तविक" जटिलता वास्तव में बहुत सरल है। यह ऐसे व्यवहार करती है जैसे कि यह एक निचले-आयामी स्थान (जैसे कि एक गोला/sphere) में मौजूद हो।
संबंध: "आइजनवैल्यूज़" (eigenvalues) को देखकर (जो ड्रम के कंपन की शक्ति की तरह हैं), लेखक यह गिन सकते हैं कि डेटा वास्तव में कितनी "दिशाओं" में चल रहा है।
- यदि डेटा एक पूर्ण वृत्त है, तो इसमें 2 आयाम हैं।
- यदि यह एक गोला (sphere) है, तो इसमें 3 आयाम हैं।
- पेपर दिखाता है कि "बीटा" सेटिंग सीधे तौर पर इस छिपे हुए आकार के आयाम को बताती है।

5. "जियोमेट्रिक कोलैप्स" (ज्यामितीय पतन)

जैसे-जैसे लेखक बीटा नॉब को घुमाते हैं (मेमोरी को लंबा और शोर को तीव्र करते हैं), गणितीय मशीन के साथ कुछ नाटकीय होता है।

उपमा: एक ऊँची, पतली गगनचुंबी इमारत की कल्पना करें। जैसे-जैसे आप ऊपर वजन बढ़ाते हैं (बीटा बढ़ाते हैं), इमारत डगमगाने लगती है। अंततः, यह इतनी अस्थिर हो जाती है कि ऐसा लगता है जैसे यह एक एकल रेखा में ढहने वाली है।
गणित: इसे जियोमेट्रिक कोलैप्स कहा जाता है। मशीन "सिंगुलर" हो जाती है, जिसका अर्थ है कि यह कई अलग-अलग चीजें करने की अपनी क्षमता खो देती है और अपनी सारी ऊर्जा केवल एक या दो प्रमुख पैटर्न पर केंद्रित कर देती है। यह समझाता है कि क्यों लॉन्ग-मेमोरी डेटा अक्सर एक एकल, विशाल ट्रेंड में अटका हुआ दिखाई देता है।

6. यह क्यों मायने रखता है (इसका महत्व क्या है?)

हम घूमते हुए ड्रम और रेत के ढेर के बारे में क्यों परवाह करते हैं?

यह एक नया टूल है: लेखक ने R कोड (एक प्रोग्रामिंग भाषा) प्रदान की है जिसे कोई भी इन जटिल टाइम सीरीज़ को तुरंत उत्पन्न करने के लिए कॉपी और पेस्ट कर सकता है।
यह कड़ियों को जोड़ता है: यह गणित के तीन अलग-अलग क्षेत्रों को जोड़ता है जो आमतौर पर आपस में बात नहीं करते हैं:
- सिग्नल प्रोसेसिंग (ध्वनि और छवियों का विश्लेषण कैसे किया जाता है)।
- सांख्यिकी (हम प्रायिकता/प्रोबेबिलिटी को कैसे समझते हैं)।
- ज्यामिति (आकार और आयाम कैसे काम करते हैं)।
वास्तविक दुनिया के अनुप्रयोग: यह मॉडल हमें निम्नलिखित को समझने में मदद करता है:
- खगोल विज्ञान (Astronomy): तारकीय प्रकाश (starlight) में होने वाली "झिलमिलाहट" (1/f नॉइज़)।
- वित्त (Finance): शेयर बाजार कभी-कभी वर्षों तक एक ट्रेंड में क्यों रहता है।
- जीव विज्ञान (Biology): दिल की धड़कन या मस्तिष्क की तरंगें पिछले अवस्थाओं की याददाश्त कैसे बनाए रखती हैं।

सारांश

रबर्ट किम्बरक ने एक गणितीय "ड्रम" बनाया है जिसे जब एक रैंडम छड़ी से मारा जाता है, तो वह एक विशिष्ट स्मृति वाला संगीत पैदा करता है। बीटा नॉब को बदलकर, वे संगीत को एक सुरीली धुन से एक अराजक तूफान में बदल सकते हैं। उन्होंने साबित किया कि इस अराजकता का आकार एक गोले की ज्यामिति द्वारा शासित है, और उन्होंने हमें अपने स्वयं के ड्रम बनाने और दुनिया के सबसे जटिल, लंबे समय तक चलने वाले पैटर्न का अध्ययन करने के लिए कोड दिया है।

यहाँ रॉबर्ट किम्बरक के शोध पत्र "Analysis of a Long Memory Circular Convolution Model" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र लॉन्ग मेमोरी टाइम सीरीज़ (long memory time series) के निर्माण और विश्लेषण पर केंद्रित है, जिनकी विशेषता एक पावर-लॉ स्पेक्ट्रल डेंसिटी ( $|frequency|^{-\beta}$ ) है जो शून्य आवृत्ति (frequency zero) पर अपसारी (diverge) होती है। हालाँकि इस प्रकार की सीरीज़ वित्त (finance) और भौतिकी (physics) जैसे क्षेत्रों में सुप्रसिद्ध हैं (जिन्हें अक्सर $1/f$ शोर के रूप में जाना जाता है), यह शोध पत्र निम्नलिखित लक्ष्यों को प्राप्त करने का प्रयास करता है:

सर्कुलर कन्वोल्शन (circular convolution) का उपयोग करके इन सीरीज़ को उत्पन्न करने के लिए एक स्टोकेस्टिक मॉडल का निर्माण करना।
टाइम सीरीज़ के स्पेक्ट्रल गुणों, जनरेटिंग मैट्रिक्स के आइगेन-विश्लेषण (eigenanalysis), और डेटा के परिणामी प्रायिकता वितरण (probability distribution) के बीच एक कठोर गणितीय संबंध स्थापित करना।
यह प्रदर्शित करना कि टाइम सीरीज़ बीटा लोकेशन-स्केल फैमिली (Beta location-scale family) के वितरणों का अनुसरण करती है, जो मॉडल को दिशात्मक सांख्यिकी (directional statistics) और यूनिट-सेंटर्ड स्फेरिकल डिस्ट्रीब्यूशन से जोड़ती है।

2. कार्यप्रणाली (Methodology)

मुख्य कार्यप्रणाली एक सिमेट्रिक सर्कुलेंट मैट्रिक्स (symmetric circulant matrix) का उपयोग करके एक रैंडम नॉर्मल वेक्टर के रैखिक रूपांतरण (linear transformation) पर आधारित है।

A. जनरेटिव मॉडल (The Generative Model)

टाइम सीरीज़ $X$ को इस समीकरण के माध्यम से उत्पन्न किया जाता है:
$X = C \cdot \epsilon$
जहाँ:

$\epsilon$ एक स्टैंडर्ड नॉर्मल डिस्ट्रीब्यूशन $N(0, I)$ से लिया गया रैंडम वेक्टर है।
$C$ एक सिमेट्रिक सर्कुलेंट मैट्रिक्स है जिसे एक विशिष्ट स्पेक्ट्रल डेंसिटी फंक्शन के इनवर्स फूरियर ट्रांसफॉर्म (inverse Fourier transform) से बनाया गया है।

निर्माण के चरण:

स्पेक्ट्रल डेंसिटी: नाइक्विस्ट रेंज (Nyquist range) पर एक फ्रीक्वेंसी वेक्टर को परिभाषित किया जाता है। स्पेक्ट्रल डेंसी को $|frequency|^{-\beta/2}$ के रूप में सेट किया जाता है, जहाँ $\beta$ स्लोप पैरामीटर है (0 से 10 की सीमा में)।
मैट्रिक्स जनरेशन: सर्कुलेंट मैट्रिक्स $C$ की पहली पंक्ति को स्पेक्ट्रल डेंसी वेक्टर के इनवर्स डिस्क्रीट फूरियर ट्रांसफॉर्म (IDFT) द्वारा प्राप्त किया जाता है। यूनिटरी गुणों को सुनिश्चित करने के लिए मैट्रिक्स को $1/\sqrt{rn}$ (जहाँ $rn$ लंबाई है) द्वारा सामान्यीकृत (normalize) किया जाता है।
कन्वोल्शन (Convolution): रैंडम वेक्टर $\epsilon$ से लॉन्ग मेमोरी टाइम सीरीज़ उत्पन्न करने के लिए मैट्रिक्स $C$ का गुणा किया जाता है।

B. सांख्यिकीय विश्लेषण ढांचा (Statistical Analysis Framework)

शोध पत्र निम्नलिखित विश्लेषणात्मक तकनीकों का उपयोग करता है:

आइगेन-विश्लेषण (Eigenanalysis): सर्कुलेंट मैट्रिक्स $C$ के आइजनवैल्यू (eigenvalues) का विश्लेषण किया जाता है। चूँकि $C$ सर्कुलेंट है, इसके आइजनवेक्टर्स DFT बेस वेक्टर्स हैं, और इसके आइजनवैल्यू स्पेक्ट्रल कोएफिशिएंट्स के अनुरूप होते हैं।
दिशात्मक सांख्यिकी (Directional Statistics): पेपर $C$ की पंक्तियों और वेक्टर $\epsilon$ के डॉट प्रोडक्ट का विश्लेषण करता है। इन वेक्टर्स को सामान्यीकृत करके, घटकों (components) को यूनिट हाइपरस्फीयर पर कोणों के कोसाइन (cosines) के रूप में माना जाता है।
बीटा डिस्ट्रीब्यूशन मैपिंग: इन सामान्यीकृत घटकों के वितरण को एक अफ़ाइन ट्रांसफॉर्मेशन (affine transformation) के माध्यम से स्टैंडर्ड बीटा डिस्ट्रीब्यूशन $Beta(\alpha, \alpha)$ में मैप किया जाता है।
इंट्रिन्सिक डायमेंशन एस्टीमेशन: पेपर मैट्रिक्स के ट्रेस (trace) और इसके स्पेक्ट्रल नॉर्म (सबसे बड़े आइजनवैल्यू) के अनुपात का उपयोग करके सिस्टम के "इंट्रिन्सिक डायमेंशन" ( $d$ ) का अनुमान लगाने का प्रस्ताव देता है।

3. मुख्य योगदान (Key Contributions)

A. बीटा डिस्ट्रीब्यूशन के साथ सैद्धांतिक संबंध

शोध पत्र सिद्ध करता है कि उत्पन्न लॉन्ग मेमोरी टाइम सीरीज़ के घटक, जब मानकीकृत (standardized) किए जाते हैं, तो एक सिमेट्रिक बीटा डिस्ट्रीब्यूशन का पालन करते हैं।

बीटा डिस्ट्रीब्यूशन का शेप पैरामीटर $\alpha$ , सिस्टम के इंट्रिन्सिक डायमेंशन ( $d$ ) से सीधे जुड़ा हुआ है:
$\alpha = \frac{d - 1}{2}$
$\beta$ $β$ (स्पेक्ट्रल स्लोप) के विशिष्ट मान ज्ञात वितरणों के अनुरूप हैं:
- $\beta \approx 0$ (नॉर्मल डिस्ट्रीब्यूशन) $\rightarrow \alpha \to \infty$ (गॉसियन के करीब)।
- $\beta \approx 2.14$ (विग्नर सेमीसर्कल) $\rightarrow d=4, \alpha=1.5$ ।
- $\beta \approx 2.95$ (यूनिफॉर्म) $\rightarrow d=3, \alpha=1$ ।
- $\beta = 10$ (आर्क्सिन) $\rightarrow d=2, \alpha=0.5$ ।

B. सांख्यिकीय उपकरण के रूप में आइगेन-विश्लेषण

लेखक यह प्रदर्शित करते हैं कि सर्कुलेंट मैट्रिक्स $C$ के आइजनवैल्यू सीधे निम्नलिखित के लिए अनुमान प्रदान करते हैं:

इंट्रिन्सिक डायमेंशन ( $d$ ): एक संशोधित ट्रेस-टू-नॉर्म अनुपात के माध्यम से गणना की गई।
वैरिएंस (Variance): जीरो-फ्रीक्वेंसी टर्म को छोड़कर, स्क्वेयर्ड आइजनवैल्यू पर पार्सवल प्रमेय (Parseval's theorem) लागू करके अनुमान लगाया गया।
कंडीशन नंबर (Condition Number): सबसे बड़े और सबसे छोटे आइजनवैल्यू का अनुपात ( $\kappa = \lambda_1 / \lambda_n$ ) मैट्रिक्स के "जियोमेट्रिक कोलैप्स" को दर्शाता है। जैसे-जैसे $\beta$ बढ़ता है, $\kappa$ तेजी से बढ़ता है, जो यह दर्शाता है कि मैट्रिक्स सिंगुलैरिटी (singularity) की ओर बढ़ रहा है और टाइम सीरीज़ लो-फ्रीक्वेंसी घटकों द्वारा हावी हो रही है।

C. R-आधारित कार्यान्वयन

शोध पत्र एक रचनात्मक R कोड ( magic पैकेज का उपयोग करके) प्रदान करता है जो पाठकों को निम्नलिखित की अनुमति देता है:

किसी भी $\beta \in [0, 10]$ के लिए लॉन्ग मेमोरी टाइम सीरीज़ उत्पन्न करना।
हिस्टोग्राम के माध्यम से नॉर्मल से आर्क्सिन वितरण के संक्रमण को विज़ुअलाइज़ करना।
विशाल सैंपल सेट बनाने के बिना वितरण मापदंडों का अनुमान लगाने के लिए आइजनवैल्यू की गणना करना।

4. परिणाम (Results)

स्पेक्ट्रल रुझान (Spectral Trends): आइजनवैल्यू के लॉग-लॉग प्लॉट्स पुष्टि करते हैं कि पावर स्पेक्ट्रल डेंसिटी का स्लोप $\beta$ है। जैसे-जैसे $\beta$ बढ़ता है, आइजनवैल्यू तेजी से घटते हैं, जिससे ऊर्जा पहले कुछ घटकों (कम आवृत्तियों) में केंद्रित हो जाती है।
वितरण संबंधी बदलाव (Distributional Shifts):
- कम $\beta$ (जैसे, 0) पर, टाइम सीरीज़ व्हाइट नॉइज़ (नॉर्मल डिस्ट्रीब्यूशन) जैसी दिखती है।
- उच्च $\beta$ (जैसे, 10) पर, सीरीज़ अत्यधिक पर्सिस्टेंट और वेरिएंस में नॉन-स्टेशनरी हो जाती है, जो एक सिंगल-फ्रीक्वेंसी साइनोसॉइड (आर्क्सिन डिस्ट्रीब्यूशन) के समान होती है।
पैरामीटर एस्टीमेशन सटीकता: पेपर में दी गई टेबल 3 दिखाती है कि केवल आइजनवैल्यू से प्राप्त $d$ $d$ , $\alpha$ $α$ , और वेरिएंस के अनुमान, 500 सिम्युलेटेड सैंपल सीक्वेंस से प्राप्त मापे गए सांख्यिकी (measured statistics) के बहुत करीब हैं।
- उदाहरण: $\beta=2.2$ के लिए, अनुमानित $\alpha$ 1.58 था जबकि मापा गया माध्य 1.61 था।
जियोमेट्रिक कोलैप्स (Geometric Collapse): कंडीशन नंबर $\kappa$ , $\beta=0$ पर 1 से बढ़कर $\beta=10$ पर $3.2 \times 10^{11}$ हो जाता है, जो लॉन्ग मेमोरी बढ़ने के साथ संख्यात्मक स्थिरता (numerical stability) के नुकसान और प्रभावी आयामीता (dimensionality) में कमी को दर्शाता है।

5. महत्व (Significance)

एकीकृत ढांचा (Unified Framework): यह शोध पत्र टाइम सीरीज़ विश्लेषण, रैखिक बीजगणित (सर्कुलेंट मैट्रिसेस), और दिशात्मक सांख्यिकी (स्फेरिकल डिस्ट्रीब्यूशन) के बीच के अंतर को पाटता है। यह दिखाता है कि लॉन्ग मेमोरी केवल एक टेम्पोरल घटना नहीं है, बल्कि डेटा स्पेस की ज्यामिति से संबंधित एक ज्यामितीय घटना भी है।
कंप्यूटेशनल दक्षता: आइजनवैल्यू से सांख्यिकीय गुणों (वैरिएंस, शेप पैरामीटर्स) को सीधे प्राप्त करके, यह मॉडल भारी मात्रा में टाइम-सीरीज़ डेटा को जेनरेट और प्रोसेस करने की आवश्यकता के बिना लॉन्ग मेमोरी गुणों का विश्लेषण करने का एक तरीका प्रदान करता है।
व्याख्यात्मकता (Interpretability): यह मॉडल टाइम सीरीज़ के "इंट्रिन्सिक डायमेंशन" की स्पष्ट भौतिक व्याख्या प्रदान करता है, जो स्पेक्ट्रल स्लोप $\beta$ को हाइपरस्फीयर पर अंतर्निहित प्रायिकता वितरण की ज्यामिति से जोड़ता है।
व्यावहारिक उपयोगिता: प्रदान किया गया R कोड शोधकर्ताओं के लिए एक पुनरुत्पादनीय (reproducible) उपकरण के रूप में कार्य करता है ताकि वे $1/f$ शोर और फ्रैक्शनल इंटीग्रेशन के व्यवहार का पता लगा सकें और परीक्षण कर सकें।

संक्षेप में, किम्बरक एक अत्यंत सुरुचिपूर्ण मॉडल प्रस्तुत करते हैं जहाँ लॉन्ग मेमोरी टाइम सीरीज़ की स्पेक्ट्रल विशेषताएं एक सर्कुलेंट मैट्रिक्स के आइजनवैल्यू में एनकोड होती हैं, जो बदले में डेटा के परिणामी बीटा डिस्ट्रीब्यूशन और ज्यामितीय आयाम को निर्धारित करती हैं।