Отчет по самостоятельной работе по дисциплине "Теория вероятностей, математическая статистика и случайные процессы"

Автор работы: Пользователь скрыл имя, 11 Января 2014 в 20:29, доклад

Описание работы

Выполненная самостоятельная работа охватывает основные разделы математической статистики, такие как равномерно распределенные случайные величин, их основные характеристики, создание и анализ выборок, работа с выборочными оценками и построение доверительных интервалов, работа с гистограммами, проверка статистических гипотез и другие.
В ходе работы создается выборка случайных величин, вычисляются ее параметры (как точечные, так и интервальные), выборка нормализуется, приводится к заданному виду, по выборке строятся гистограммы, находятся коэффициенты корреляции, автокорреляционные функции и спектральные плотности.

Файлы: 1 файл

Самостоятельная по терверу.doc

— 1.97 Мб (Скачать файл)

Федеральное агентство по образованию

 

Московский  Государственный Горный Университет

 

 

Кафедра АСУ

 

 

 

Отчет

по  самостоятельной работе

по  дисциплине «Теория вероятностей,

математическая  статистика и случайные процессы»

 

 

 

 

 

 

 

Выполнил:

                                                                                    ст. гр. АС-1-09 Ванжилов А. Л.

Принял:

проф. Бахвалов Л.А.

 

 

Москва 2011

Аннотация:

 

В данном отчете приведен обзор теоретического материала в объеме лекционного материала, в контексте выполнения данной работы. Помимо теоретических формул представлены некоторые упрощенные формулы для практических вычислений. Отчет выполнен в Microsoft Word, формулы написаны с помощью редактора формул Microsoft Equation 3.0. Так же представлены практические выкладки по выполнению задания в объеме лекционного материала. 

Выполненная самостоятельная  работа охватывает основные разделы математической статистики, такие как равномерно распределенные случайные величин, их основные характеристики, создание и анализ выборок, работа с выборочными оценками и построение доверительных интервалов, работа с гистограммами, проверка статистических гипотез и другие.

В ходе работы создается  выборка случайных величин, вычисляются  ее параметры (как точечные, так и  интервальные), выборка нормализуется, приводится к заданному виду, по выборке строятся гистограммы, находятся коэффициенты корреляции, автокорреляционные функции и спектральные плотности.

Для выполнения работы написана часть программы в среде разработки Microsoft Visual C#.

 

 

 

 

 

 

 

 

 

Оглавление

 

 

 

 

1. Задание

 

  1. Исследовать статистические характеристики РРСВ:
  2.  

1.1. получить выборку значений РРСВ объемом 150 элементов (четыре значащих цифры) на отрезке (0; 1) с помощью мультипликативного генератора случайных чисел,

1.2. построить гистограмму для этой случайной величины,

1.3. по гистограмме найти оценку математического ожидания и дисперсии и сравнить ее с оценкой, найденной по выборке.

 

  1. Исследовать НРСВ:

 

2.1. построить выборку НРСВ по формуле скользящего суммирования k = 5 чисел (выборка №2),

2.2. построить гистограмму по выборке №2, по гистограмме определить математическое ожидание и дисперсию,

2.3. преобразовать полученные случайные величины к случайным величинам с математическим ожиданием равным числу лет и дисперсией равной 10. Назовем эту выборкой №3.

 

  1. Исследование статистических характеристик СВ:

 

3.1. построить доверительные интервалы для математического ожидания и дисперсии выборки №3,

3.2. проверить  гипотезу о виде закона распределения  по критерию χ2,

3.3. найти вероятность того, что студент старше вас на 2 года,

 

4. Исследование случайных процессов:

4.1. для выборки №2 построить автокорреляционную функцию,

4.2. нормировать автокорреляционную функцию,

4.3. построить спектральную плотность по корреляционной функции.

 

Отчёт должен быть выполнен в Microsoft Word, напечатан, переплетён.

 

Графика в отчёте должна быть выполнена графическим  редактором. Формулы должны набираться с использованием редактора формул Microsoft Word. Пояснительная записка должна содержать необходимые теоретические материалы в объёме лекционного материала.

 

  1. Теоретическая часть

2.1. Теоретическая  часть 1-го задания.

2.1.1. Случайная величина

 

Случайной называют величину, которая в результате испытания принимает только одно значение из всех возможных, наперед не известное и зависящее от случайных величин, которые заранее не могут быть учтены.

 

Равномерно  распределённой случайной величиной  называется случайная величина, которая с равной вероятностью принимает любое из возможных значений. На своей области определения она имеет равномерную плотность распределения (рис.1)1.


 

 

 

 

 

 

 

 

 

 

2.1.2. Числовые  характеристики случайных величин

 

Числовыми характеристиками равномерно распределённой случайной величины являются математическое ожидание и дисперсия.

 

Математическое ожидание (mx) непрерывной случайной величины X имеет смысл среднего значения величины Х и является величиной неслучайной. Для непрерывной величины математическое ожидание определяется интегралом:

В случае для дискретной случайной величины математическое ожидание принимает вид:

Для нахождения оценки математического ожидания по выборке объемом N элементов данная формула может быть преобразована в следующую:

 

Математическое  ожидание mx случайно величины Х, равномерно распределённой в интервале (a,b), равно полусумме концов интервала.

 

 

 

 

 

Дисперсия случайной величины имеет смысл меры разброса случайной величины относительно среднего значения и является величиной неслучайное. Для непрерывной величины дисперсия определяется интегралом:

Дисперсией  дискретной математической величины называется математическое ожидание квадрата отклонения случайной величины:

Для практического  вычисления дисперсии также можно  пользоваться упрощенной формулой:

 

2.1.3. Мультипликативный генератор

 

Для получения равномерно распределенных случайных величин можно использовать мультипликативный генератор. Принцип его работы может быть записан следующей формулой (здесь фигурными скобками обозначена операция взятия дробной части числа, M – целое нечетное число – модуль мультипликативного умножения):

Для работы требуется задать первое число (по возможности с большим  количеством знаков после запятой), и по формуле найти необходимое  количество чисел. Генератор выдает равномерно распределенные числа в пределах от 0<x<1.

 

 

Адаптивный  мультипликативный генератор – чтобы избежать обнуления или периодизации получаемых с помощью генератора чисел, его формула была доработана.

Для работы адаптивного  мультипликативного генератора нужно указать два первых числа, а также значения параметров (в данной самостоятельной работе M – модуль мультипликативного умножения, P – месяц рождения). Далее применяя эту формулу рекурсивно, находится необходимое количество равномерно распределенных случайных чисел.

 

Выборкой {x1, х2, …, хn} объёма N из совокупности, распределённой по F(x), называется N независимых наблюдений над случайной величиной Х с функцией распределения F(x).

2.1.4. Построение гистограмм

 

Выборки больших объёмов  труднообозримы. Найдем диапазон значений выборки, разобьём его на равные интервалы и подсчитаем для каждого интервала частоту – количество наблюдений, попавших в него. Частоты, отнесённые к общему числу наблюдений N, называют относительными частотами; а графическое представление распределения частот по интервалам – гистограммой; накопленной частотой для данного интервала называют сумму частот данного интервала и всех тех, что левее его.

Гистограмма – кусочно-постоянная функция значений случайной величины, характеризует частоту попадания в интервал.

Гистограмма – удобный  инструмент для статического анализа. Число столбцов гистограммы обычно берут небольшим, что делает гистограмму  удобной для обозрения. Однако она  отражает все характеристики выборки  с весьма малой погрешностью, и поэтому с помощью гистограммы можно оценить вид закона распределения и подобрать его аналитическое выражение.

 

                                                                                                                                                         

2.1.5 Алгоритм построения гистограмм

 

Пусть Х –  случайная величина, a≤x≤b (Х принимает  произвольные значения в интервале [a,b]), и дана выборка {x0, x1, x2, x3, …,xN-1, xN}

Алгоритм:

1) Выберем xmin и xmax  из выборки наблюдений. Например, xmin= a, xmax = b


2) Разобьём интервал (xmin ; xmax) на k подынтервалов. Обычно берут 5≤k≤10

 

 

 

 

 


3) Находим величину  подынтервала:


 

4) Определяем границы подынтервалов:

 

5) Подсчитаем количество наблюдений, попавших в каждый интервал. Обозначим его nj, j = 1,2,3, … k

6) Подсчитаем  относительные частоты – то  есть вероятности попадания значения  в каждый интервал:



7) Построим график диаграммы:

 

 

 

 

2.1.6. Статистический анализ гистограмм

 

Гистограмме соответствуют  числовые характеристики: среднее значение, средний квадрат и т.д. Эти числовые характеристики являются выборочными оценками соответствующих числовых характеристик случайной величины и представляют собой некоторые функции (статистики) от выборочных значений. Таким образом, по гистограмме возможно оценить числовые характеристики случайной величины 8.

Нахождение  оценки математического ожидания (среднее  значение выборочных наблюдений):

 

Нахождение  оценки дисперсии:

 

 

 

2.2. Теоретическая часть 2-го задания

2.2.1. Случайная величина

 

Нормально распределенной случайной величиной называется величина, плотность распределения которой описывается формулой:

Нормально распределенные величины чаще всего встречаются  в практике инженерных расчетов, так  как при суммировании большого числа случайных факторов и величин результат имеет нормальное распределение.

 

Для упрощения расчетов можно привести СВ к стандартному виду, то есть к такому, что ее математическое ожидание равно нулю, а дисперсия – единице. При этом многие формулы примут более простой вид, и именно для стандартизированной СВ созданы таблицы вычисления функций φ(х), Ф(х), χ2 и т.д.

Для стандартизации применяется формула:


 

 

 

 

 

 

 

 

 

 

 

 

 

2.2.2. Алгоритм сглаживания” выборки путём скользящего суммирования

 

Скользящим суммированием  называется операция сглаживания. Она часто применяется в задачах фильтрации и прогнозирования, так как позволяет увидеть глобальные закономерности значений случайной величины, не отвлекаясь на локальные колебания графика.

 

 

Реализация скользящего суммирования:

Пусть дана выборка {x0, x1, x2, … , xN}

Формула скользящего  суммирования имеет вид:

Где k – коэффициент, отражающий глубину скользящего суммирования (k=5);

-начальное значение x; - преобразованное значение.

Как видно, в  сглаженной выборке будет на k элементов меньше, чем в исходной.

2.2.3 Приведение выборки к виду с заданными параметрами

 

Чтобы привести выборку к виду с заданными  параметрами mx и σх2, требуется:

    1. Привести выборку к стандартному виду (mx = 0 и σх2 = 1)
    2. Привести выборку к заданному виду по формуле, обратной формуле стандартизации:

                                      

 

2.3. Теоретическая  часть 3-го задания

2.3.1. Интервальные оценки параметров распределения

 

Наряду с  точечными оценками параметров, представляющими  из себя некоторую случайную функцию от выборки, в статистике широко используются интервальные оценки параметров. Интервальная оценка параметра указывает границы возможных значений выборочных оценок с некоторой наперед заданной степенью достоверности. Поэтому интервальные оценки параметров позволяют установить точность и надежность точечных оценок. Границы возможных значений называются доверительными интервалами. Заданная степень достоверности называется доверительной вероятностью.

 

 

Построение доверительного интервала для математического  ожидания НРСВ.

 

Пусть Х –  НРСВ, неизвестны математическое ожидание и дисперсия. Дана выборка {x1, x2, x3, … , xN}, по данной выборке наблюдений находятся выборочные оценки:

 

Необходимо построить  доверительный интервал такой, что (принимаем значения отклонения от истинного mx в обе стороны равными):

 

Величина q=(1-Pдов)*100% – это уровень значимости, характеризующий вероятность того, что полученная оценка параметра не попадет в вычисленный интервал. Чем меньше q, тем точнее указан интервал значений параметра, но в то же время тем этот интервал шире. Для увеличения точности необходимо увеличивать количество наблюдений N.

Информация о работе Отчет по самостоятельной работе по дисциплине "Теория вероятностей, математическая статистика и случайные процессы"