- •1. Основные понятия
- •Основные определения
- •Событие, вероятность события (частота события)
- •2. Случайные величины и законы распределения
- •Числовые характеристики случайных величин
- •Моменты для непрерывных величин:
- •2.2. Законы распределения случайной величины
- •I f(X) c α β X X I) равномерный
- •2.3. Определение законов распределения случайных величин
- •3. Системы случайных величин
- •3.1. Числовые характеристики системы двух случайных величин
- •3.2. Числовые характеристики системы нескольких случайных величин
- •Распределение Пуассона:
- •Л огнормальный закон распределения:
- •Нормальный закон распределения:
- •4.2. Распознавание в многомерном пространстве
- •Платежная матрица:
- •4.3. Параметрические методы распознавания
- •5. Функции случайных величин
- •Теорема сложения математических ожиданий
- •Теорема умножения математических ожиданий.
- •И вообще для некоррелированных случайных величин:
- •Для нескольких случайных величин:
- •6. Случайные функции
- •6.1. Законы распределения случайной величины
- •6.2. Корреляционная функция и ее свойства
- •Основные свойства корреляционной функции:
- •6.3. Пример случайной функции
- •Математическое ожидание случайной функции X(t) будет равно
- •Дисперсия случайной функции X(t) равна:
- •6.4.Cпектральные плотности
- •Введем понятие «плотность» дисперсии
- •На рис.6.2 показана спектральная плотность
- •Преобразование случайной функции линейной системой
- •Применение теории случайных функций к задачам анализа и синтеза
- •7. Прикладные задачи теории вероятности
- •7.1. Определение статистических характеристик
- •7.2. Нахождение функциональной зависимости
- •С оответственно:
- •7 .3. Линейная функция многих переменных Вводится новый набор переменных
- •Список литературы
- •Введение 3
7. Прикладные задачи теории вероятности
7.1. Определение статистических характеристик
x f(x) y Статистические
x(t) f(x(t)) y(t) х-ки y и y(t) надо найти
Один аргумент:
my – f(mx)
Несколько аргументов:
my = f(mx1, mx2…)
(Это для линеаризированных функций) или для СКО:
Если Rij = 0 – нет корреляции между xi и xj (!).
Линейные функции от нормально распределенных аргументов:
Имеется в виду, что мы рассматриваем систему случайных величин (х1, х2…хn).
Для Rij = 0; Для Y – тоже нормальный закон с my, y2.
Если величин много, но неизвестны их законы распределения (а только <mxi, xi>), то при n = 5 10 слагаемых закон распределения стремится к нормальному.
7.2. Нахождение функциональной зависимости
Обратная задача: метод наименьших квадратов.
Е сли y = (x) и мы наблюдаем
(Надо узнать y = f(x))
Пусть критерий (yi - (xi))2 = min
Можно показать, что это требование следует нормального закона распределения ошибок измерения и исходя из принципа максимального правдоподобия.
Если выбрать вид функции (x) из предварительных соображений и ставить задачу определения неизвестных параметров a, b, c…
Y = (x, a, b, c… ).
Тогда получим:
[yi - (xi, a, b, c… )]2 = min
С оответственно:
Рассмотрим несколько частных случаев:
y = ax + b;
y = ax2 +bx +c;
y = ai i(x) и в частности ;
3а) y = a1cosx + a2sinx + a3cos2x + a4sin2x ;
3б) y = a1eat + a2ebt + a3et.
Задачи 3а) и 3б) могут решаться либо прямым методом, находя min как функции параметров, например, графически или введением новых условных переменных
Z1 = cosx; Z2 = sinx; Z3 = cos2x; Z4 = sin2x.
И далее рассматривают y = aiZi .
Соответственно: Z = et или Z = lg x …
Подчеркнем, что для параболической или в общем случае полиномиальной функции:
Y = aixi + dixi2 + cixixj + dixj3 …
уравнения для неизвестных коэффициентов a, b, c, d, e … остаются линейными – это главное преимущество МНО.
Далее распишем конкретные уравнения для y = ax + b и y = = ax2 + bx + c
Связь y2, x2 и Rxy :
Rxy = 0, если y и x не связаны между собой.
В общем случае Rxy<<1, т.е. –1<<Rxy<<1
ошибка линейной модели yx = ax + b
улин2 = x2 [1 – Rxy2].
ошибка линейной модели многих аргументов:
- вводится понятие коэффициента множественной кореляции:
Ry (x1, x2 … xn).
остаточная дисперсия (ошибка линейной апроксимации)
y2 = y2(1 – Rxy2).
Далее эта задача рассмотрена более подробно.