- •Определение и примеры
- •Совместная функция распределения системы св и ее свойства
- •Вероятность попадания в прямоугольник
- •Система двух непрерывных случайных величин
- •Плотность совместного распределения системы св
- •Элемент вероятности и вероятность попадания в произвольную область
- •Основное свойство плотности распределения
- •Интегральная формула полной вероятности
- •Связь частных распределений с совместной плотностью
- •Условная плотность распределения
- •Теорема умножения плотностей
- •Связь между совместной и условной плотностью распределения
- •Пример 1. Произведение нормальныз законов независимых св
- •Система двух дискретных случайных величин
- •Свойства матрицы распределения
- •Условный ряд распределения
- •Полиномиальное распределение
- •Пример 2. Проекции полиномиального распределения
- •Операции с дискретными распределениями
- •Пример 3. Операции с матрицей распределения
- •Пример 4. Произведение нормальных законов зависимых св
- •Центральные моменты второго порядка
- •Коэффициент корреляции
- •Границы значений коэффициента корреляции
- •Линейная регрессия
- •Нормальная регрессия
- •Пример 5. Построение условных распределений
- •Статистическое моделирование системы двух св
- •Моделирование двумерных распределений
- •Пример 6. Статистическое оценивание параметров системы
- •Пример 7. Моделирование пространственного рассеивания
- •БэсПиБп.6. Системы двух случайных величин 14
Пример 6. Статистическое оценивание параметров системы
Рис. 6.7. Разброс точек с отрицательной корреляцией |
>> X=Norm_1(0,2); Yx=Norm_1(0,3);
>> N=10000;xs=Gen(X,N);ys= xs;
>> for i=1:N ys(i)=Gen(setval(Yx,-1.5*xs(i),[]));end
>> r=CorrelCoef(xs, ys),sY = std(ys),mY = mean(ys)
r = -0.7017 sY = 4.2383 mY = 0.0086
При большом числе испытаний N =10000 результат оказался очень близок к точным значениям ЧХ r=-0.7071, sY = 4.2426 и my = 0. Выведем первые 500 точек (рис. 6.7):
>> plot(xs(1:500),ys(1:500),'.')
Расположение точек характерно для довольно сильной отрицалельной корреляции. Посмотрим, насколько возросла бы погрешность оценок по меньшему объему статистики:
>> r=CorrelCoef(xs(1:500),ys(1:500)),sY = std(ys(1:500)),mY = mean(ys(1:500))
r = -0.7363 sY = 4.4120 mY = 0.0971
>> r=CorrelCoef(xs(1:50),ys(1:50)),sY = std(ys(1:50)),mY = mean(ys(1:50))
r = -0.7671 sY = 4.4228 mY = 0.2457
Пример 7. Моделирование пространственного рассеивания
>> N=500;X=Norm_1(0,3);Y=X; x=Gen(X,N); y=Gen(Y,N);R=sqrt(x.^2+y.^2);
Рис. 6.8. Статистика промахов и ошибок срабатывания; распределение промахов |
>> Z=Norm_1(0,2); k=0.6;
>> z=[];for i=1:N z(i)=Gen(setval(Z,k*R(i),[]));end
>> plot(z, R,'.g')
Уменьшим в 2 раза СКО ошибки взрывателя и покажем точки срабатывания черным цветом, вычислим коэффициент корреляции между R и Z, средний промах и СКО промаха:
>> Z=Norm_1(0,1);
>> z=[];for i=1:N z(i)=Gen(setval(Z,k*R(i),[]));end
>> plot(z, R,'.k')
>> r=CorrelCoef(R, z), sR = std(R), mR = mean(R)
r = 0. 7618 sR = 1.9657 mR = 3.7771
Увеличим число испытаний до N=100000 и построим на рис. 6.8 гистограмму промахов:
>> N=100000;X=Norm_1(0,3);Y=X; x=Gen(X,N); y=Gen(Y,N);R=sqrt(x.^2+y.^2);
>> [f,F,H]=SmartHist(R,[],30,50); H.p=H.p/H.h;Show(H,'w')
Построим аппроксимирующую функцию в форме закона Рэлея f(r) =:
>> [fun,par]=Approx('x/L^2.*exp(-x.^2/2/L^2)',H.x,H.p,3)
fun =
Inline function:
fun(x,L) = x/L^2.*exp(-x.^2/2/L^2)
par = 3.0005
В следующей лекции будет показано, что промах при круговом нормальном рассеивании (с одинаковыми СКО координат x = y = ) действительно подчиняется закону Рэлея с параметром . МО и СКО этого закона mr 1,25 = 1,253 = 3,75 и r 0,655 = 0,6553 = = 1,965 практически совпадают с полученными оценками sR и mR.
Построим кривую плотности распределения как огибающую гистограммы:
>> hold on, r=0:0.1:10;plot(r,fun(r,par),'r')
Мы не использовали явно закон распределения промаха R. Статистическое моделирование его аргументов – известных распределений координат X, Y – и вычисления в каждой реализации по определенному алгоритму (в данном случае, по формуле Пифагора) дало статистику интересующего результата, стандартная обработка которой позволяет получить оценку интересующей СВ.
Контрольные вопросы
-
Объясните вероятностный смысл функции распределения системы двух СВ.
-
Плотность распределения системы двух непрерывных СВ.
-
Каков смысл элемента вероятностей непрерывной системы двух СВ?
-
Как связаны функция распределения и плотность распределения системы двух непрерывных СВ?
-
Какова связь между совместным и частными законами распределения независимых и зависимых СВ?
-
Правило умножения плотностей независимых и зависимых СВ. Каков смысл условного закона распределения? Как получить условный закон распределения, если известен совместный закон?
-
Основное свойство матрицы распределения. как получить ряд распределения одной из СВ по матрице распределения системы.
-
Какому закону подчиняется сумма строк и сумма столбцов матрицы распределения полиномиального закона?
-
Как вычислить условное МО одной из СВ системы по совместной плотности распределения?
-
Логическая связь между фактами зависимости (независимости) и коррелированности (некоррелированности) двух СВ? В каких случаях зависимые СВ могут быть некоррелированными?
-
Свойства линейной и нормальной регрессии.
ПРИЛОЖЕНИЕ к лекции 6
Листинг 6.1. Функция p_Polynom
% Вычисляет вероятности комбинаций числа успехов в обобщенных
% испытаниях Бернулли с вероятностями исходов в векторе p.
% Исходы автоматически дополняются до полной группы
function out = p_Polynom(p,n,m)
N=size(m,1);
for i=1:N
out(i)=f_Polynom(p,n,m(i,:));
end
%
function out = f_Polynom(p,n,m)
out =0;
if sum(p) > 1 | sum(m) >n return, end
if sum(m) < n m(end+1)=n-sum(m); end
if sum(p) < 1 p(end+1)=1-sum(p); end
if length(p)<length(m) p(end+1)=1-sum(p); end
if length(p)>length(m) m(end+1)=n-sum(m); end
out = prod(1:n)*prod(p.^m);
for i= 1:length(m)
out=out/prod(1:m(i));
end
Листинг 6.2. Функция Trap2 вычисления двукратных интегриралов
function out = Trap2(f,x,y)
dx=diff(x); dx=[dx(1)/2 dx(1:end-1) dx(end)/2];
dy=diff(y); dy=[dy(1)/2 dy(1:end-1) dy(end)/2];
if size(dx,2)~=size(f,1) f=f'; end
out = 0; if size(dx,2)~=size(f,1) return; end
if size(dy,2)~=size(f,2) return; end
out=dx*f*dy';
1 Элементы матрицы распределения, так же как и ряда распределения, упорядочены по возрастанию возможных значений.
2 Если Zi – индикатор события поражения i-й цели, число пораженных целей Z = , а так как M[Zi] = Wi, то M[Z] = M[] ==.