Лабораторная работа №1 «Моделирование случайных чисел с заданным законом распределения». Лабораторная работа 1 Моделирование случайных чисел с заданным законом распределения
 Скачать 3.56 Mb.
|
|
Задача. Для заданных случайных величин найти числовые характеристики (математическое ожидание, дисперсию, среднее квадратическое отклонение, моду, медиану), размах варьирования, а также наибольший делитель и наименьшее общее кратное элементов массива Х. № варианта 1 Х -1 0 2 4 7 р 0,1 0,3 0,3 0,2 0,1 2 Х 3 5 6 8 10 р 0,2 0,2 0,3 0,2 0,1 3 Х -5 -4 -3 -1 1 р 0,3 0,3 0,2 0,1 0,1 4 Х -1 2 3 4 6 р 0,3 0,2 0,2 0,2 0,1 5 Х 4 5 7 8 10 р 0,1 0,4 0,3 0,1 0,1 6 Х -2 -1 0 2 5 р 0,2 0,2 0,3 0,2 0,1 7 Х -4 -1 0 1 2 р 0,1 0,1 0,2 0,5 0,1 8 Х -3 -2 -1 2 3 р 0,2 0,4 0,1 0,1 0,2 38 9 Х 6 7 9 10 12 р 0,2 0,3 0,1 0,2 0,2 10 Х 0 2 4 5 6 р 0,4 0,2 0,2 0,1 0,1 11 Х -3 -2 0 1 2 р 0,3 0,2 0,2 0,2 0,1 12 Х 1 2 4 7 11 р 0,1 0,1 0,3 0,3 0,2 13 Х -1 2 5 7 10 р 0,2 0,2 0,3 0,1 0,2 14 Х 4 7 9 11 13 р 0,3 0,1 0,2 0,2 0,2 Отчет о выполненной работе должен содержать: 1. Тему и цель работы. 2. Индивидуальное задание согласно варианту. 3. Решение предложенных задач. Контрольные вопросы 1. Дайте определение основных числовых характеристик случайной величины (математическое ожидание, дисперсия, среднее квадратическое отклонение, мода, медиана). Каков их вероятностный смысл? 2. Что называется размахом выборки? 39 Лабораторная работа №4 «Вычисление числовых характеристик выборки» Цель: изучить возможности Mathcad по вычислению числовых характеристик выборки Задание: решить представленную задачу. Краткие теоретические сведения Моменты В теории вероятностей и математической статистике, помимо математического ожидания и дисперсии, используются и другие числовые характеристики случайных величин. В первую очередь это начальные и центральные моменты. Начальным моментом k-го порядка случайной величины Х называется математическое ожидание k-й степени случайной величины Х, т.е. ) x ( M k k Центральным моментом k-го порядка случайной величины называется величина k , определяемая формулой ]. ) M x [( M k k Заметим, что математическое ожидание случайной величины – начальный момент первого порядка M 1 , а дисперсия – центральный момент второго порядка: ). x ( D ] ) M x [( M 2 2 Существуют формулы, позволяющие выразить центральные моменты случайной величины через ее начальные моменты. Одна из таких формул приведена выше: ) M x ( M D 2 1 2 2 В дальнейшем будет использована формула 40 2 3 3 1 1 2 3 3 Асимметрия В теории вероятностей и математической статистике в качестве меры асимметрии распределения служит коэффициент асимметрии, который определяется формулой: 3 3 где 3 - центральный момент третьего порядка; 2 D - среднеквадратичное отклонение Коэффициент асимметрии – безразмерная величина, а по его знаку можно судить о характере асимметрии. Для симметричной СВ 0 3 Указание. Для того чтобы определить точность коэффициента асимметрии, выделенное выражение для него щелкните в строке Floating Point в меню Symbolics и укажите в окне диалога число десятичных знаков в выводе. Эксцесс Нормальное распределение наиболее часто используется в теории вероятностей и математической статистке, и поэтому график плотности вероятностей нормального распределения стал своего рода эталоном, с которым сравнивают другие распределения. Одним из параметров, определяющих отличие сравниваемого распределения от нормального, является эксцесс. Эксцесс случайной величины определяется равенством 3 ) D ( 2 4 41 По известным нам свойствам математического ожидания и определению центрального момента получим формулу для 4 3 6 4 4 1 2 1 2 1 3 4 4 У нормального распределения, естественно, 0 . Если 0 , то это означает, что график плотности вероятностей p(x) сильнее «заострен», чем у нормального распределения, если же 0 , то «заостренность» графика p(x) меньше, чем у нормального распределения. Порядок выполнения работы 1. Изучить теоретический материал. 2. Вычислить для выборки заданной случайным образом выборочные моменты 3 и 4-го порядков выборочный эксцесс E, коэффициент асимметрии. 3. Оформить отчет. Пример выполнения задания приведен на рисунке 4.1. Рисунок 4.1 – Пример выполнения задания в MathCad 42 Контрольные вопросы 1. Раскройте понятие «моменты». 2. Что такое центральный момент? 3. Что такое начальный момент? 4. Что такое асимметрия? 5. Что такое коэффициент асимметрии? 6. Что такое эксцесс? 7. Что такое математическое ожидание? 43 Лабораторная работа №5 «Применения MATHCAD для решения задач теории вероятности» Цель: 1. Закрепить знания об основных законах распределения случайной величины. 2. Научить применять MathCad для построения функций распределения и плотности распределения случайной величины. 3. Закрепить навыки расчета основных числовых характеристик случайных величин. 4. Научиться применять MathCad для расчета основных числовых характеристик случайных величин. Функции и инструменты MathCad Прежде чем приступать к решению задач теории вероятностей в MathCad, познакомимся с инструментами, которые предоставляет пакет для их решения. Напомним, что дискретная случайная величина x, принимающая значения x x x i 2 1 с вероятностями , p ..., , p , p i 2 1 , может быть задана распределением – таблицей вида ( i X - значение случайной величины, p – вероятность появления именно этого значения). X 1 x 2 x … i x … n x p 1 p 2 p … i p … n p Для дальнейшей работы ряд распределения необходимо сделать вариационным. Вариационный ряд – это дискретный ряд распределения, у которого значения i X располагаются в порядке возрастания. Такие таблицы в среде MathCad записывается в виде матрицы размерности n 2 Указания. Распределение случайной величины в MathCad записывается в виде матрицы А 44 , A A A A A n 2 n 1 2 1 1 2 1 1 где i 1 A - значения случайной величины ( i x ); i 2 A - соответствующие вероятности ( i p ); i=1, 2 , 3 , 4, 5. Значения X в матрицу следует записывать в порядке возрастания. По умолчанию первый элемент матрицы имеет индекс 0 (i=0). Используйте системную переменную ORIGIN для задания нижней границы индексации в матрице: ORIGIN:=1. Функцией распределения случайной величины X называется функция F(x), значение которой в точке x равно вероятности того, что случайная величина X будет меньше этого значения x, то есть }. x X { P ) x ( F Функция F(x) для дискретной случайной величины вычисляется по формуле p ) x ( F x x i i где суммирование ведется по всем значениям i, для которых x x i . Функция распределения случайной величины, имеющей приведенное выше распределение, имеет вид: x x , 1 x x x , p p p x x x , p p x x x , p x x , 0 ) x ( F n n n11 1 n 2 1 3 2 2 1 2 x 1 x 45 Рисунок 5.1 – Функция распределения Функцию распределения, заданную разными выражениями на разных интервалах изменения аргументов, можно определить следующим образом: 1. Введите имя функции переменной x и знак присваивания (знак присваивания «:=»). 2. Используйте панель программных элементов (Programming) (кнопка ). С помощью кнопки Add Line добавьте необходимое число строк для задания функции распределения (рисунок 5.1). 3. Введите в помеченной позиции нуль, щелкните по кнопке if и введите неравенство, определяющие первый интервал изменения аргумента (символ можно ввести щелчком по соответствующей кнопке в панели (Calculus)). 4. Затем перейдите во вторую строку определения функции, введите 1 , 2 А - имя переменной, содержащей значение 1 p , или число 0.2 – значение. 5. Введите неравенство, определяющие второй интервал изменения аргумента (знак можно ввести щелчком по соответствующей кнопке в панели отношений (Boolean)); выделите, нажимая клавишу В результате у Вас должно получиться следующее: 46 x A if 1 if A A A x A if A A x - if 0 : ) x ( F 1,5 2 , 2 1 , 2 2 , 1 1,1 1 , 2 1,1 Рисунок 5.2 – Функция распределения случайной величины На приведенном рисунке 5.2 функция распределения определена с использованием имен переменных. Замечание. Следует помнить, что MathCad не совсем корректно строит графики ступенчатых функций, соединяя отрезками прямых значения функции в точке скачка. Более точный график функции распределения представляет собой отрезки, параллельные оси абсцисс, с «выколотым» правым концом. Случайные величины. Функции распределения Каждая случайная величина полностью определяется своей функцией распределения. Функция распределения любой случайной величины обладает следующими свойствами: F(x) определена на всей числовой прямой R; F(x) не убывает, т.е. если 2 1 x x , то ) x ( F ) x ( F 2 1 ; 0 ) ( F ; 1 ) ( F ; P(a «паспортом» случайной величины: она содержит всю информацию об этой случайной величине, и поэтому изучение случайной величины заключается в исследовании ее функции распределения, которую часто называют просто распределением. Для проведения вычислений со случайными величинами (непрерывными и дискретными) в MathCad есть богатая библиотека встроенных функций наиболее распространенных стандартных распределений. Каждое распределение представлено в библиотеке 47 тремя функциями – плотностью вероятностей, функцией распределения и функцией, обратной к функции распределения. Имена всех встроенных функций, определяющих плотности вероятностей, начинаются с буквы d, определяющих функции распределения – с буквы p. Например, для работы с нормальным распределением предназначены функции dnorm(x, h, s), p(norm(x, h, s) и qnorm(x, h, s). Наиболее распространенные распределения дискретных случайных величин Познакомимся с дискретными случайными величинами, которые чаще всего используются при решении практических задач. Эти случайные величины имеют биномиальные, геометрические и пуассоновские распределения. Биномиальное распределение (схема Бернулли) Пусть проводится серия из n независимых испытаний, каждое из которых заканчивается либо «успехом», либо «неуспехом». Пусть в каждом испытании (опыте) вероятность успеха p, а вероятность неудачи – q=1-p. С таким испытанием можно связать случайную величину x, равную числу успехов в серии из n испытаний. Эта величина принимает целые значения от 0 до n. Ее распределение называется биномиальным и определяется формулой Бернулли k n k k n k q p C ) k ( P p где 0 k=0,1, …, n, )! k n ( ! k ! n С k n В MathCad для вычисления плотности вероятности и функции распределения случайной величины, имеющей биномиальное распределение, предназначены функции dbinom(k, n,p) и pbinom(k, n, p), значения которых – соответственно p(k) и F(k). 48 Геометрическое распределение Со схемой испытаний Бернулли можно связать еще одну случайную величину: h – число испытаний до первого успеха. Эта величина принимает бесконечное множество значений от 0 до , и ее распределение определяется формулой q p ) k ( P p k k где 0 q=1-p, k=0, 1, …, n. В MathCad для вычисления плотности вероятности и функции распределения случайной величины, имеющей геометрическое распределение, предназначены функции dgeom(k, p) и pgeom(k, p), значения которых – соответственно p(k) и F(k). Пуассоновское распределение Пуассоновское распределение имеет случайная величина m, принимающая значения k=0, 1, 2, … с вероятностями ..., 2, 1, 0, k , e ! k ) k ( P p k k где 0 - параметр пуассоновского распределения. В MathCad для вычисления вероятности и функции распределения случайной величины, имеющей пуассоновское распределение, предназначены функции dpois(k, ) и ppois(k, ), значения которых – соответственно p(k) и F(k). Наиболее распространенные частные распределения непрерывных случайных величин Равномерное распределение Непрерывная случайная величина , принимающая значение на отрезке [a, b], распределена равномерно на [a, b], если плотность распределения p(x) и функция распределения случайной величины имеют соответственно вид 49 b x 1, b x a , a - b a - x a x 0, F(x) b] [a, x , a - b 1 b] [a, x , 0 ) x ( p В MathCad значения в точке x плотности распределения и функции распределения случайной величины имеющее равномерное распределение на отрезке [a, b], вычисляются встроенными функциями соответственно dunif(x, a, b) и punif(x, a, b). Экспоненциальное (показательное) распределение Непрерывная случайная величина имеет показательное распределение с параметром 0 , если плотность распределения имеет вид 0 x , e - 1 0 x 0, F(x) 0 x , e 0 x , 0 ) x ( p x - x - В MathCad значения в точке x плотности распределения и функции распределения случайной величины, имеющей экспоненциальное распределение с параметром , вычисляются встроенными функциями соответственно dexp(x, l) и pexp(x, l). Нормальное распределение Это распределение играет исключительно важную роль в теории вероятностей и математической статистике. Случайная величина нормально распределена с параметрами m и , ( 0 ), если ее плотность распределения имеет вид 2 ) a x ( exp 2 1 ) x ( p 2 2 50 В MathCad значения в точке x плотности распределения и функции распределения нормальной случайной величины с параметрами a, вычисляются встроенными функциями соответственно dnorm(x, a,s) и pnorm(x, a,s). Распределение Стьюдента Пусть случайная величина имеет стандартное нормальное распределение, а случайная величина 2 2 n распределение с n степенями свободы. Если и 2 n независимы, то про случайную величину n / 2 n n говорят, что она имеет распределение Стьюдента с числом степеней свободы n. Доказано, что плотность вероятности этой величины вычисляется по формуле R x , n x 1 2 n Г 2 1 n Г n 1 ) x ( n p 2 1 n 2 При больших n распределение Стьюдента практически не отличается от N (0, 1). В MathCad значения в точке x плотности распределения и функции Стьюдента с n степенями свободы вычисляются встроенными функциями соответственно dt(x, n) и pt(x, n). Числовые характеристики случайных величин Каждая случайная величина полностью определяется своей функцией распределения. В то же время при решении практических задач достаточно знать несколько числовых параметров, которые позволяют представить основные особенности случайной величины в сжатой форме. К таким величинам относятся, в первую очередь, математическое ожидание и дисперсия. 51 Математическое ожидание случайной величины Математическое ожидание – число, вокруг которого сосредоточены значения случайной величины. Если - дискретная случайная величина с распределением, 1 x 2 x … n x p 1 p 2 p … n p то ее математическим ожиданием – оно обозначается М – называется величина n 1 i i i x p ] x [ M Математическое ожидание непрерывной случайной величины с плотностью вероятностей p(x) вычисляется по формуле dx ) x ( xp ] x [ M Дисперсия случайной величины Дисперсия случайной величины характеризует меру разброса значений случайной величины около ее математического ожидания. Если случайная величина имеет математическое ожидание M, то дисперсией случайной величины называется величина ] ) M X [( M D 2 . Легко показать, что 2 2 ]) x [ M ( ] x [ M D . Эта универсальная формула одинаково хорошо применима как для дискретных случайных величин, так и для непрерывных. Величина 2 M вычисляется по формулам: , dx ) x ( p x ] M[x x p ] x [ M 2 2 n 1 i 2 i i 2 для дискретных и непрерывных случайных величин соответственно. 52 Еще одним параметром для определения меры разброса значений случайной величины является среднеквадратическое отклонение , связанное с дисперсией соотношением D Моменты В теории вероятностей и математической статистике, помимо математического ожидания и дисперсии, используются и другие числовые характеристики случайных величин. В первую очередь это начальные и центральные моменты. Начальным моментом k-го порядка случайной величины Х называется математическое ожидание k-й степени случайной величины Х, т.е. ) x ( M k k Центральным моментом k-го порядка случайной величины называется величина k , определяемая формулой ]. ) M x [( M k k Заметим, что математическое ожидание случайной величины – начальный момент первого порядка M 1 , а дисперсия – центральный момент второго порядка: ). x ( D ] ) M x [( M 2 2 Существуют формулы, позволяющие выразить центральные моменты случайной величины через ее начальные моменты. Одна из таких формул приведена выше: ) M x ( M D 2 1 2 2 В дальнейшем будет использована формула 2 3 3 1 1 2 3 3 53 Асимметрия В теории вероятностей и математической статистике в качестве меры асимметрии распределения служит коэффициент асимметрии, который определяется формулой: 3 3 где 3 - центральный момент третьего порядка; 2 D - среднеквадратичное отклонение Коэффициент асимметрии – безразмерная величина, а по его знаку можно судить о характере асимметрии. Для симметричной СВ 0 3 |