- •Лекция № 3 Введение. Классификация событий. Действия над событиями
- •2. События. Классификация событий. Пространство элементарных событий
- •4. Практические занятия
- •Лекция№5:Условная вероятность. Формула полной вероятности и формула Байеса. Независимые случайные события
- •1.1 Распределение Релея
- •1 Система двух случайных величин
- •1.Введение
- •4. Практические занятия
- •2.Элементы теории множеств.
- •2.1 Определение множества. Мощность множества. Подмножества.
- •2.2 Множества и подмножества.
- •2.3 Способы задания множеств. Универсальное множество.
- •2.4 Операции над множествами.
- •Практическое занятие №2
- •Тема: Основные понятия комбинаторики.
- •2. Перестановки, размещения.
- •3. Сочетания.
- •4. Разбиение на группы:
- •1. Введение
- •3. Алгебра событий
- •1. Введение
- •2. События. Классификация событий. Пространство элементарных событий
- •Примеры.
- •3. Алгебра событий
- •События Вi образуют полную группу событий, если
- •Особый интерес представляют полные группы несовместимых событий
- •План лекции:
- •2. Классический способ задания вероятностей.
- •3. Статистическая вероятность
- •4. Геометрическая вероятность.
- •Лекция№5
- •2. Формула полной вероятности.
- •3. Формула Байеса (теорема гипотез).
- •4. Независимые случайные события.
- •Контрольные вопросы и тесты
- •2 Закон распределения случайной величины.
- •3. Функция распределения
- •4. Плотность распределения случайной величины
- •Практическое занятие №1
- •1.Математическое ожидание , мода и медиана случайной величины
- •2. Моменты. Дисперсия. Среднее квадратическое отклонение.
- •3. Моменты высших порядков
- •Математическое ожидание, мода и медиана случайной величины
- •2. Моменты. Дисперсия. Среднее квадратическое отклонение.
- •3. Моменты высших порядков
- •Практическое занятие №1
- •5. Контрольные вопросы и задания
- •1. Биномиальное распределение
- •2. Распределение Пуассона
- •3. Простейший поток событий
- •1. Испытания (схема) Бернулли. Биномиальное распределение
- •Если ставить вопрос о появлении события а k-раз в n испытаниях в произвольном порядке, то событие представимо в виде
- •2. Распределение Пуассона.
- •3. Простейший поток событий
- •Задача 4
- •Задача 5
- •Задача 6
- •Практическое занятие № 2
- •5. Контрольные вопросы
- •1.1 Равномерное распределение вероятностей
- •1.2 Показательное (экспоненциальное) распределение
- •1.3 Нормальное распределение
- •Задача 1
- •Решение
- •Решение
- •Задача 4
- •Задача 6
- •Практическое занятие №2
- •2. Рекомендуемые фрагменты программ
- •1.1 Распределение Релея
- •1.1 Распределение Релея
- •1.2 Распределение Максвелла
- •1.3 Логарифмическое нормальное распределение
- •2. Функция случайной величины.
- •Практическое занятие №1
- •3. Рекомендации к выполнению.
- •Практическое занятие №2
- •Задача3
- •1 Система двух случайных величин
- •1 Система двух случайных величин
- •1.2 Плотность распределения двух случайных величин
- •1.3 Условные функция распределения и плотность распределения
- •1.4 Корреляция двух случайных величин
- •Аналогично имеем
- •2. Система произвольного числа случайных величин
- •Задача1
- •Практическое занятие №2 Тема: Исследование системы двух случайных величин
- •Так как под интегралом в (1) находится неотрицательная величина, то, выбросив из интервала интегрирования отрезок ав, мы значение интеграла не увеличим, т.Е.
- •2. Характеристические функции
- •Для дискретной случайной величины х с законом распределения
- •Свойства характеристической функции
- •3. Центральная предельная теорема
- •2. Числовые характеристики выборки
- •2.1. Выборочное среднее
- •Выборочная дисперсия
- •3. Статистический ряд. Статистическая функция распределения
- •4. Статистическая совокупность. Гистограмма
- •1. Оценка параметров
- •2. Метод наибольшего правдоподобия для нахождения оценок
- •3. Метод наименьших квадратов
2. Рекомендуемые фрагменты программ
%суммирование 10-ти равномерных с.в.
n=1000;
V=zeros(size(1:n));
for i=1:10
V=V+rand(size(1:n));
end
m=mean(V)
d=mean((V-m).^2)
subplot(1,2,1), plot(V)
grid
[aa,bb]=hist(V,20);
dx=(max(V)-min(V))/20;
subplot(1,2,2),barh(bb,aa/(N*dx)
grid
%функция normrnd(с заданными параметрами)
N=1000;
V=normrnd(1,2,1,N);
m=mean(V)%математическое ожидание
d=mean((V-m).^2)%дисперсия
sigma=std(V)%среднее квадратическое отклонение
subplot(1,2,1), plot(V)
grid
[aa,bb]=hist(V,20);%гистограмма
dx=(max(V)-min(V))/20;
subplot(1,2,2),barh(bb,aa/(N*dx))
grid
Лекция № 10
Тема. Законы распределения, связанные с гауссовым распределением. Функции случайной величины
Литература:
1. Математичні основи теорії телекомунікаційних систем . Під ред.Поповського В.В. - Харків, СМИТ, 2011.
2. Венцель Е.С. Овчаров Л.А. Теория вероятностей и ее инженерные приложения. -М.: Наука,1988.-480 с.
3. Гмурман В.Е. Теория вероятностей и математическая статистика.-М.:Высш.шк.,1999.-479 с..
План лекции:
1. Законы распределения, связанные с гауссовским распределением
1.1 Распределение Релея
1.2 Распределение Максвелла
1.3 Хи – квадратичное распределение
1.4 Логарифмическое нормальное распределение
2. Функции случайной величины.
1. Законы распределения, связанные с гауссовским распределением
1.1 Распределение Релея
Распределением Релея случайной величины или релеевской плотностью распределения вероятностей называется плотность распределения, которая описывается функцией:
(10.1)
Эту плотность распределения вероятностей ввел лорд Релей в 1880г. при рассмотрении огибающей суммы ряда гармонических колебаний разной частоты. В частности, можно показать, что плотность вероятностей амплитудных значений (т.е. огибающих) узкополосных случайных напряжений или тока, распределенных по нормальному закону, подчиняются релеевскому закону. Верен и общий случай. Пусть X и Y – назависимые гауссовские случайные величины с M(X)=M(Y)=0 и . Случайная величина будет иметь распределение Релея (10.1).
Г рафик релеевской плотности имеет вид:
Z
f(z)
Определим числовые характеристики релеевской случайной величины – математическое ожидание и дисперсию:
,
1.2 Распределение Максвелла
Пусть X, Y, Z – независимые гауссовские случайные величины с математическим ожиданием равным нулю и одинаковой дисперсией равной . Тогда случайная величина имеет плотность распределения вероятностей
которая является распределением Максвелла. Это распределение было получено Максвеллом при нахождении плотностей распределения вероятностей скорости молекул идеального газа.
Математическое ожидание и дисперсия случайной величины с максвелловским распределением соответственно равны:
,
.
1.3. Хи – квадратичное распределение
Пусть имеется случайная величина
, (10.2)
где - независимые случайные величины с математическим ожиданием равным нулю и единичными дисперсиями. В этом случае говорят, что случайная величина Х2 имеет хи-квадратичное распределение с n степенями свободы, а ее плотность распределения вероятностей равна:
Здесь - гамма-функция ( для натуральных n).
Если рассмотренные случайные величины нормировать так, чтобы их дисперсии были единичными, то распределение мощностей этих случайных величин можно считать хи-квадратичным с различными n. Так для распределения Релея величину Z2 можно считать хи-квадратичной с n=2, а для распределения Максвелла величина W2 хи-квадратична с n=3.
Математическое ожидание и дисперсия хи-квадратичной величины выражается очень просто благодаря исходному предположению о нулевых математических ожиданиях и о единичных дисперсиях компонент. Таким образом
Во многих задачах, связанных с обнаружением сигналов, где по ограниченной совокупности отсчетов измеряемого напряжения необходимо сделать вывод о наличии или отсутствии сигнала на фоне шумов, часто используется хи-квадратичное распределение. Если напряжение содержит только шумовую составляющую, то совокупность отсчетов имеет нулевое математическое ожидание и к ней применимо хи-квадратичное распределение. Если же в нем присутствует и сигнал, то математическое ожидание будет отличаться от нуля. Случайная величина представляющая собой сумму квадратов отсчетов в виде (10.2), будет характеризоваться нецентральным хи-квадратичным распределением.