- •Вопросы госэкзамена по направлению
- •09.03.03 «Прикладная информатика», 2020-2021 уч.Год Дисциплина «Вычислительные системы, сети и телекоммуникации»
- •Понятие вычислительной системы; архитектура и организация; этапы развития
- •Краткая характеристика первого и второго поколений вычислительных систем
- •Технические новации вычислительных систем третьего поколения
- •Специфика вычислительных систем четвертого и пятого поколений
- •Концепция вычислительной машины с хранимой в памяти программой
- •Классификация вычислительных систем, таксономия Флинна
- •Основная память вычислительной машины; временные характеристики
- •Структура вычислительной машины фон Неймана
- •Устройство управления вычислительной машины фон Неймана
- •Арифметико-логическое устройство, укрупненное представление тракта данных
- •Управление трактом данных, стек, машинный цикл с прерыванием
- •Шестиуровневая модель современной вычислительной системы
- •Параллельные вычислительные системы, закон Амдала
- •Параллелизм
- •Параллелизм на уровне инструкций
- •Параллелизм данных
- •Параллелизм задач
- •Распределённые операционные системы
- •Закон Амдала
- •Эталонная модель взаимодействия открытых систем
- •Физический уровень модели osi/rm
- •Потенциальная скорость передачи данных; формулы Шеннона и Найквиста
- •Канальный уровень модели osi/rm; система стандартов ieee 802
- •Межсетевой уровень модели osi/rm
- •Транспортный уровень модели osi/rm
- •Назначение и примеры реализации уровней 5, 6, 7 модели osi/rm
- •Дисциплина «Сетевое управление и протоколы»
- •Стеки коммуникационных протоколов
- •Способы и протоколы маршрутизации в ip-сетях
- •Адресация в сетях ip, классы сетей
- •Структурирование ip-сетей с помощью подсетей; маски подсетей
- •Протокол iPv6
- •Дисциплина «Мультимедиа технологии»
- •Психофизиологический закон Вебера-Фехнера
- •Кривые равной громкости; динамический диапазон
- •Восприятие сложных звуков, критические полосы
- •Градиент передачи яркости, гамма-коррекция
- •Цветовые модели
- •Цветовые стандарты
- •Цветовое пространство yCbCr
- •Цветовая субдискретизация
- •Дисциплина «Методы обработки аудио и видео данных»
- •Дискретизация, теорема Котельникова
- •Квантование; шум квантования
- •Основы устранения избыточности и сжатия аудиоданных с потерями
- •Характеристики электронных изображений
- •Растрово-пиксельный принцип электронного изображения
- •Дисциплина «Статистическая обработка информации»
- •Разделы статистической обработки информации: теория оценок, теория проверки статистических гипотез
- •Смещенность оценки; примеры смещенных и несмещенных оценок
- •Состоятельность оценки; примеры состоятельных и несостоятельных оценок
- •Эффективность оценки; функции штрафа и риска
- •Смещенность симметричного распределения: выборочное среднее, выборочная медиана, усеченное среднее
- •Метод моментов: пример нахождения параметров равномерного распределения
- •Оценка закона распределения случайной величины: эмпирическая интегральная функция распределения
- •Оценка закона распределения случайной величины: метод гистограмм
- •Коэффициенты асимметрии и эксцесса; диаграммы Каллена-Фрея
- •Дисциплина «Построение и анализ графовых моделей»
- •Графы: определения, соотношение числа ребер и вершин
- •Изоморфизм графов, примеры
- •Пути, цепи, циклы; связность графов; алгоритм нахождения компонент связности
- •Эйлеров цикл: определение, условие существования, алгоритм нахождения
- •Гамильтонов цикл: определение, алгоритм нахождения на основе динамического программирования
- •Деревья: остовное дерево, алгоритм Крускала
- •Способы хранения структуры графа в эвм
- •Алгоритм поиска кратчайшего пути в графе
- •Задача о коммивояжере: оптимальный и эвристический алгоритмы решения
- •Раскраска графов, эвристический алгоритм раскраски
- •Дисциплина «Имитационное моделирование»
- •Входные потоки заявок смо: классификация и основные характеристики
- •Модель сервера смо
- •Модель буфера смо; дисциплины обслуживания
- •Классификация Кендалла
- •Теорема Литтла
- •Время пребывания заявки в системе типа m/m/1; среднее количество заявок в системе
- •Три леммы о пуассоновском потоке (слияние, расщепление, выход m/m/1)
- •Расчет однонаправленных сетей массового обслуживания (сети Джексона)
Оценка закона распределения случайной величины: метод гистограмм
В основе метода гистограмм лежит идея об аппроксимации плотности вероятности при помощи ступенчатой функции по следующему принципу.
Известно, что вероятность попадания случайной величины в заданный интервал [a, b] находится из следующего выражения:
При малой длине (a, b] функцию можно считать на этом интервале почти постоянной и можно воспользоваться следующим приближением:
.
Тогда:
Соответственно можно разбить область определения случайной величины на M непересекающихся интервалов и на каждом интервале аппроксимировать плотность вероятности при помощи выражения (1). Чем больше M и меньше длительности интервалов , тем более точной будет аппроксимация.
По выборке можно осуществить оценку следующим образом:
где N – объем выборки, - k-й элемент выборки, - индикатор события t. Тогда оценка плотности вероятности будет иметь следующий вид:
Графическое изображение функции (3) называется гистограммой и имеет характерный ступенчатый вид, будет задана на интервале [a1, bM].
Стандартные решения практических вопросов, таких, как оценка области определения случайной величины, выбор числа интервалов M, границы интервалов (ai, bi], необходимых для применения выражения (3):
Число интервалов разбиения выбирать исходя из правила Стерджеса: , где N – объем выборки, – знак округления.
Выбор границ области построения гистограммы: , . Стоит, иметь в виду, что такой подход может привести к низкой точности оценки плотности вероятности для "тяжелохвостых" распределений. Поэтому, если существует подозрение о тяжелохвостости распределения, можно провести предварительное усечение выборки.
Для выбора интервалов (ai, bi], как правило, достаточно использовать разбиение интервала на M равных частей длиной . Тогда: , .
Ошибку в оценке плотности вероятности можно количественно охарактеризовать, посчитав средний квадрат относительного отклонения оценки от истинного значения :
Математическое ожидание величины eh убывает обратно пропорционально объему выборки N: .
Коэффициенты асимметрии и эксцесса; диаграммы Каллена-Фрея
Одним из способов экспресс-оценки распределения является метод диаграмм Каллена-Фрея. Согласно данному методу, по выборке оцениваются коэффициент асимметрии и коэффициент эксцесса, по которым можно приближенно определить класс распределений, к которому принадлежит выборка.
Коэффициент асимметрии количественно характеризует степень отклонения формы плотности вероятности от симметричной функции:
где — третий центральный момент, — среднеквадратическое отклонение. Для симметричных распределений . Знак коэффициента асимметрии указывает на перекос распределения вправо или влево относительно математического ожидания
Коэффициент эксцесса — это мера остроты пика распределения случайной величины:
где — четвертый центральный момент. Так, для нормального закона распределения случайной величины: . Законы распределения с более острой вершиной, чем у нормального имеют коэффициент эксцесса более 3 и с менее острой вершиной – менее 3. Поэтому иногда используют нормированный коэффициент эксцесса: . Так, если пик распределения более заостренный, нежели у нормального закона, если же , то менее.
Тогда, по выборке оцениваются , и .
Из курса теории вероятностей, k-й начальный момент характеризует среднее значение случайной величины, возведенной в степень k. Поэтому алгоритмом оценивания является оценка через выборочный момент:
Здесь - оценка k-го центрального момента, N – объем выборки, – значения элементов выборки.
Зависимость дисперсии оценки от объема выборки в случае независимости ее элементов определяется следующим выражением:
,
где - k-й центральный момент. Т.е. дисперсия данной оценки убывает пропорционально объему выборки. Соответственно среднеквадратическое отклонение убывает пропорционально корню из числа элементов в выборке:
Таким образом, чем больше объем выборки, тем меньше разброс оценки относительно истинного значения момента.
По аналогии с выборочным начальным моментом можно сформулировать понятие выборочного центрального момента.
Здесь - истинное значение математического ожидания. На практике, как правило, прямое использование выражения (6) – невозможно, т.к. точное значение – не известно. Однако величина может быть оценена заранее, например, при помощи выражения (1). Выражение (6) при этом принимает вид:
,
которые после подстановки в выражения (1) и (2) дают оценки для искомых коэффициентов. Отложив и на осях диаграммы Каллена-Фрея можно приближенно оценить, к какому классу распределений принадлежит наблюдаемая выборка. Пример диаграммы Каллена-Фрея приведен на рисунке 1.
Рисунок 1 – Диаграмма Каллена-Фрея