Використання пакету MathCad при вивченні теорії ймовірностей
MathCad – програмний засіб, середовище для виконання на комп’ютері різноманітних математичних і технічних розрахунків. Функція розподілу випадкової величини. Біноміальний розподіл, геометричний розподіл, гіпергеометричний розподіл і розподіл Пуассона.
Рубрика | Программирование, компьютеры и кибернетика |
Вид | курсовая работа |
Язык | украинский |
Дата добавления | 13.09.2010 |
Размер файла | 388,5 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Вступ
MathCad - програмний засіб, середовище для виконання на комп'ютері різноманітних математичних і технічних розрахунків, що надають користувачу інструменти для роботи з формулами, числами, графіками і текстами, оснащене простим в освоєнні графічним інтерфейсом.
MathCad містить:
· велику бібліотеку вбудованих математичних функцій;
· інструменти створення графіків різних типів;
· засоби створення текстів;
· конструкції, схожі на програмні.
Звичайно, MathCad не єдиний з пакетів свого класу. Достатньо згадати також універсальні математичні пакети Maple, MathLab, Mathematica. Але особливістю саме пакету MathCad є використання традиційного для математичної літератури запису функцій і виразів, причому інтерфейс пакету відповідає принципу WYSIWYG (What You See Is What You Get - що ви бачите - те і одержуєте).
Одним з розділів математики, де використання пакету MathCad особливо ефективне, є теорія ймовірностей. Особливістю теорії ймовірностей є здійснення трудомістких розрахунків, використання функцій дуже складного виду, часто заданих таблично (функція Лапласа, Г-функція і т.д.), потребу у побудові графіків. MathCad може стати дуже зручним інструментом як при вивченні теоретичного матеріалу, так і при розв'язуванні багатьох практичних задач.
Темою даної розробки є використання пакету MathCad при вивченні теорії ймовірностей. Використовувана версія пакету - MathCad 2000 Pro. За основу взятий класичний підручник А.И. Плис, Н.А. Сливина “MathCad: Математический практикум”, з внесенням змін, спричинених використанням сучаснішої версії пакету.
1 Розподіл випадкової величини
Дискретна випадкова величина x, що приймає значення x1<x2<…<xi<… з ймовірностями p1, p2,…,pi,… може бути задана розподілом - таблицею виду
x |
x1 |
x2 |
… |
xi |
… |
xn |
|
p |
p1 |
p2 |
… |
pi |
… |
pn |
Кожна випадкова величина повністю визначається своєю функцією розподілу.
Якщо x - випадкова величина, то функція F(x)=Fx(x)=P(x<x) називається функцією розподілу випадкової величини x. Тут P(x<x) - ймовірність того, що випадкова величина x приймає значення, менше за x.
Функція розподілу будь-якої випадкової величини має такі властивості:
Ё F(x) визначена на всій числовій прямій
Ё F(x) - неспадна функція, тобто коли x1x2, то F(x1)F(x2)
Ё F(-)=0 і F()=1
Ё F(x) неперервна зліва
Якщо функція розподілу Fx(x) неперервна, то випадкова величина x називається неперервною випадковою величиною. Якщо функція розподілу Fx(x) неперервно диференційована, то наочніше уявлення про випадкову величину дає густина ймовірності випадкової величини px, яка зв'язана з функцією розподілу Fx(x) формулами:
і
Звідси випливає, що для будь-якої випадкової величини
Ймовірність того, що значення випадкової величини x попадає в інтервал (a,b) обчислюється для неперервної випадкової величини за формулою
P(a<x<b)=Fx(b)-Fx(a)=
а для дискретної випадкової величини - за формулою
P(a<x<b)=
Повернемося до заданої на початку розділу випадкової величини.
Функція розподілу випадкової величини з заданим розподілом має вигляд:
F(x)=
Завдання 1.1. Скласти робочий документ MathCad з визначенням розподілу випадкової величини, її функції розподілу і графіком функції розподілу для випадкової величини з розподілом:
x |
0 |
0,1 |
0,5 |
1 |
1,1 |
|
p |
0,1 |
0,2 |
0,45 |
0,2 |
0,05 |
При створенні документу використовуються такі інструменти MathCad:
1. Розподіл випадкової величини збережений у матриці А. А1,I - значення випадкової величини, А2,I - відповідні ймовірності. Для створення матриці використовується панель Матриці
2. Функцію розподілу, задану різними виразами на різних інтервалах, визначаємо так: розкриваємо панель програмних елементів
і панель знаків відношень
Вводимо ім'я функції F(x) і знак присвоювання : , клацаємо по кнопці Add Line панелі програмних елементів, вводимо в поміченій позиції відповідне значення, клацаємо по кнопці if панелі програмних елементів і вводимо нерівність, що визначає інтервал зміни аргументу. Символ можна ввести, використовуючи панель елементів матаналізу.
3. Графік функції F(x) будуємо, використовуючи панель графічних елементів:
а саме першу її кнопку Декартів графік. Задавши компоненту графіка, проставимо її визначальні властивості: у центральному пункті осі Х ім'я змінної Х, у нижній лівій точці - нижню межу зміни Х -0.1, у нижній правій точці верхню межу зміни Х 1.2, у центральному пункті осі Y ім'я змінної F(X). Клацнемо за межами графіка для його побудови. Відредагувати графік, вибравши вид ліній, спосіб простановки міток і т.д. можна, двічі по ньому клацнувши.
Реалізація завдання 1.1
2 Біноміальний розподіл, геометричний розподіл, гіпергеометричний розподіл і розподіл Пуассона
При розв'язку практичних задач найчастіше використовуються дискретні випадкові величини з біноміальним, геометричним, гіпергеометричним розподілом і розподілом Пуассона.
2.1 Біноміальний розподіл (схема Бернуллі)
Нехай проводиться серія з n незалежних випробувань, кожне з яких закінчується або успіхом, або неуспіхом. Нехай у кожному випробуванні ймовірність успіху p, а ймовірність неуспіху q=1-p. З таким випробуванням можна зв'язати випадкову величину x, рівну числу успіхів у серії з n випробувань. Ця величина приймає цілі значення від 0 до n. Її розподіл називається біноміальним і визначається формулою Бернуллі.
Де
Легко переконатися, що
У MathCad для обчислення густини ймовірності і функції розподілу випадкової величини, що має біноміальний розподіл, призначені функції dbinom(k,n,p) і pbinom(k,n,p), значення яких - відповідно pk і F(k).
Завдання 2.1.
Побудувати біноміальний розподіл для серії з 20 незалежних випробувань з ймовірністю успіху 0.4, 0.6 і 0.8. Побудувати графіки розподілу і функцій розподілу. Для p=0.4 знайти значення k, для якого величина P(x=k) максимальна. Перевірити рівність Знайти ймовірність попадання значень випадкової величини в інтервал (1,5).
При знаходженні максимуму розподілу слід виконати команди меню Формат, Графік, Слід, встановити перехрестя маркера а точці максимуму розподілу, клацнути по кнопці діалогового вікна CopyY. Вставити значення в документ. Аналогічно вставити значення аргументу, клацнувши по кнопці CopyX.
Реалізація завдання 2.1.
2.2 Геометричний розподіл
Зі схемою випробувань Бернуллі можна зв'язати ще одну випадкову величину: h -число випробувань до першого успіху. Ця величина приймає безконечне число значень від 0 до +, і її розподіл визначається формулою
pk=P(h=k)=qkp, k=0,1,…, 0<p<1, q=1-p
Так само, як і для біноміального розподілу,
У MathCad для обчислення густини ймовірності і функції розподілу випадкової величини, що має геометричний розподіл, призначені функції dgeom(k,p) і pgeom(k,p), значення яких - відповідно pk і F(k).
Завдання 2.2.
Побудувати геометричний розподіл для серії з 20 незалежних випробувань з ймовірністю успіху p=0.4. Побудувати графік розподілу і функції розподілу. Перевірити рівність . Обчислити ймовірність попадання значення випадкової величини в інтервал (1,5). Знайти значення k, для якого величина P(x=k) максимальна.
Реалізація завдання 2.2.
2.3 Гіпергеометричний розподіл
Нехай в партії з N виробів наявні M (M<N) доброякісних і N-M дефектних виробів. Якщо випадковим способом зі всієї партії вибрати контрольну партію з n виробів, то число доброякісних виробів в цій партії буде випадковою величиною, яку позначимо x. Її розподіл має вигляд:
і називається гіпергеометричним. Для будь-яких значень параметрів, що входять в розподіл,
У MathCad для обчислення густини ймовірності і функції розподілу випадкової величини, що має гіпергеометричний розподіл, призначені функції dhypergeom(k,M,N-M,n) і phypergeom(k,M,N-M,n), значення яких - відповідно pk і F(k).
Завдання 2.3. Побудувати гіпергеометричний розподіл для N=30, M=20, n=10. Побудувати графік розподілу і функції розподілу. Знайти ймовірність попадання випадкової величини в інтервал (1,5). Перевірити рівність Знайти значення k, для якого величина P(x=k) максимальна.
Реалізація завдання 2.3.
2.4 Розподіл Пуассона
Розподіл Пуассона має випадкова величина m, що приймає значення k=0,1,2,… з ймовірностями
k=0,1,2,…
де l>0 - параметр розподілу Пуассона. При будь-якому l>0 .
У MathCad для обчислення густоти ймовірності і функції розподілу випадкової величини, що має розподіл Пуассона, призначені функції dpois(k,l) і ppois(k,l), значення яких - відповідно pk і F(k).
Завдання 2.4.
Побудувати розподіл Пуассона для серії з 5 незалежних випробувань з параметром l=0.2, 0.4. Побудувати графік розподілу і функції розподілу. Перевірити рівність . Знайти ймовірність попадання випадкової величини в інтервал (1,5). Знайти значення k, для якого величина P(x=k) максимальна.
Реалізація завдання 2.4.
3. Граничні розподіли для біноміального розподілу
Теорема Пуассона
При великому числі випробувань обчислення за формулою Бернуллі стають обтяжливими. Однак у ряді випадків їх можна замінити простішими асимптотичними формулами. Одна з них ґрунтується на теоремі Пуассона.
Теорема Пуассона. Якщо число випробувань n і p0 так, що npl, l>0, то
при будь-яких k=0, 1, 2,… Це означає, що при великих nі малих p замість обчислень за точною формулою
можна скористатися наближеною формулою:
тобто розподіл Пуассона, описаний у розділі 2.4, є граничним для біноміального розподілу.
Завдання 3.1 Дослідити точність асимптотичної формули Пуассона на прикладі розв'язку такої ї задачі
У корпусі 1000 лампочок. Ймовірність виходу з ладу однієї лампочки на протязі року становить 0.003. Знайдіть ймовірність того, що на протязі одного року вийдуть з ладу не менше 3 лампочок.
Реалізація завдання 3.1
Нехай x - випадкова величина, значення якої рівні числу ламп, що вийшли з ладу на протязі одного року.
Використаємо формулу
для біноміального розподілу і за наближеною формулою Пуассона
для випадкової величини m, що має розподіл Пуассона з параметром l =np=3.
Для порівняння обчислимо за формулою Бернуллі і за формулою Пуассона для l=np=2 ймовірність тієї ж події, коли в корпусі 10 лампочок і ймовірність p відмови на протязі року для одної лампочки рівна 0.2.
Документ MathCad
Локальна теорема Муавра-Лапласа
На практиці наближенням Пуассона користуються при npq<9. Якщо npq>9, то для розрахунків використовують наближення у відповідності з теоремою Муавра-Лапласа.
Теорема Муавра-Лапласа. Нехай 0<p<1 і величина обмежена при n, тоді
Вимога обмеженості величини xk означає, що при n величина k також повинна рости разом з величиною n. Точність формули
зростає як з ростом величин n і k, так і в міру наближення величин pі q до 0.5.
Завдання 3.2. Для n=10, 20, 50 і для p=0.5, 0.3, 0.2 обчислити ймовірність того, що випадкова величина з біноміальним розподілом приймає значення, рівне . Провести обчислення за формулою Бернуллі і за наближеною формулою Муавра-Лапласа. Порівняти результати.
Реалізація завдання 3.2
Похибка апроксимації зменшується з ростом n і при наближенні p і q до 0.5.
Інтегральна теорема Муавра-Лапласа
Нехай 0<p<1, тоді для випадкової величини, що має біноміальний розподіл з параметром p, при n для будь-яких a і b справедлива формула:
Це означає: для обчислення ймовірності того, що число успіхів у n випробуваннях Бернуллі є в межах між k1і k2, можна використати формулу:
де Ф(x)=функція Лапласа;
Точність цієї наближеної формули зростає разом зі зростанням n. Якщо npq порівняно невелике, краще наближення дає формула:
тобто для обчислення ймовірності того, що число успіхів у n випробуваннях Бернуллі знаходиться між k1 і k2, можна використати формулу:
де
,
У MathCad для обчислення значень Ф(x) призначена функція pnorm(x,0,1).
Завдання 3.3 Дослідити точність інтегральної формули Муавра-Лапласа для біноміального розподілу на прикладі розв'язку такої задачі.
Ймовірність народження хлопчика p=0.51, дівчинки q=1-p=0.49. Знайти ймовірність того, що серед 10000 новонароджених число хлопчиків буде не менше 4000 і не більше 5000. Провести обчислення за формулою Бернуллі і за наближеними інтегральними формулами Муавра-Лапласа.
Реалізація завдання 3.3
Теорема Бернуллі
Багато важливих задач, зв'язаних зі схемою Бернуллі, розв'язуються за допомогою теореми Бернуллі. Так, якщо x - число успіхів у n випробуваннях Бернуллі з ймовірністю успіху в одному випробуванні p, 0<p<1, то для будь-якого e>0
Це означає, що із зростанням числа випробувань n відносна частота успіхів наближається до ймовірності p успіху в одному випробуванні.
Визначимо, скільки треба провести випробувань, щоб відхилення відносної частоти успіхів від ймовірності p було менше e з ймовірністю, більшою чи меншою b , тобто знайдемо n, для якого виконується нерівність:
Доведено, що число n забезпечує виконання цієї нерівності, якщо воно задовольняє співвідношення
де xb - розв'язок рівняння
.
Слід звернути увагу на такий факт: шукане значення n не залежить від p і тому формулою
слід користуватися для оцінки мінімально необхідного числа випробувань при невідомій ймовірності p. Якщо ймовірність p відома, то необхідне число випробувань визначається формулою
.
У MathCad значення кореня для рівняння Ф(x)=p дає функція qnorm(p,0,1).
Завдання 3.4
Знайти найменше число випробувань Бернуллі, необхідне для того, щоб з ймовірністю не менше 0.9 можна було твердити, щоб відносна частота успіхів відрізнялася від ймовірності успіху в одному випробуванні не більше, ніж на 0.01.
Реалізація завдання 3.4
При реалізації завдання грецькі букви вставляти з панелі грецьких букв, результат представити у потрібному вигляді (не у експоненціальному) за допомогою команди Формат/Результату/десяткове число із заданням 0 знаків після коми (за замовчуванням 3).
Отже, треба здійснити не менше 6764 випробувань
4 Неперервні випадкові величини
4.1 Рівномірний розподіл
Неперервна випадкова величина x, що приймає значення на відрізку [a,b], розподілена рівномірно на [a,b], якщо густина розподілу px(x) і функція розподілу випадкової величини x мають відповідно вигляд:
У MathCad значення в точці x густини розподілу і функції розподілу випадкової величини, що має рівномірний розподіл на відрізку [a,b], обчислюються за допомогою вбудованих функцій dunif(x,a,b) і punif(x,a,b).
Завдання 4.1. Побудувати у MathCad графіки густини розподілу і функції розподілу випадкової величини, що приймає значення на відрізку [0,1] і має рівномірний розподіл.
Реалізація завдання 4.1
4.2 Експоненціальний (показниковий) розподіл
Неперервна випадкова величина x має показниковий розподіл з параметром l>0, якщо густина розподілу px(x) має вигляд:
Звідси видно, що показниково розподілена випадкова величина приймає тільки невід'ємні значення. Функція розподілу такої випадкової величини має вигляд:
У MathCad значення в точці x густини розподілу і функції розподілу випадкової величини, що має показниковий розподіл з параметром l, обчислюються за допомогою вбудованих функцій dexp(x,l) і pexp(x,l).
Завдання 4.2. . Побудувати у MathCad графіки густини розподілу і функції розподілу випадкових величин, що мають показниковий розподіл з параметрами l=1 і l=2.
Реалізація завдання 4.2
4.3 Нормальний розподіл
Цей розподіл відіграє винятково важливу роль в теорії ймовірностей і в математичній статистиці. Випадкова величина x нормально розподілена з параметрами a і s, s>0, якщо її густина розподілу має вигляд:
Якщо випадкова величина x має нормальний розподіл з параметрами a і s, то будемо записувати це у вигляді xN(a,s).
Випадкова величина x має стандартний нормальний розподіл, якщо a=0 і s=1, xN(0,1). Густина стандартного нормального розподілу має вигляд:
а його функція розподілу - Fx(x)=Ф(x), де Ф(x) - функція Лапласа:
Функція розподілу нормальної величини hN(a,s) також виражається через функцію Лапласа
У MathCad значення в точці x густини розподілу і функції розподілу нормальної випадкової величини з параметрами a, s обчислюються за допомогою вбудованих функцій dnorm(x,a,s) і pnorm(x,a,s).
Завдання 4.3. Побудувати у MathCad графіки густини розподілу і функцій розподілу для xN(0,1) і hN(1,2).
Реалізація завдання 4.3
4.4 Розподіл хі-квадрат (c2-розподіл)
Нехай x1,x2, ..., xn - незалежні випадкові величини, кожна з яких має стандартний нормальний розподіл N(0,1). Складемо випадкову величину
Її розподіл називається c2-розподілом з n ступенями свободи. Густина розподілу для цієї випадкової величини:
де Г(x) - гамма-функція Ейлера:
У MathCad значення в точці x густини розподілу і функції c2-розподілу з n ступенями свободи обчислюються за допомогою вбудованих функцій dchisq(x,n) і pchisq(x,n).
Завдання 4.4. Побудувати у MathCad графіки густини розподілу і функції розподілу c2 з 2,4,8 ступенями свободи.
Реалізація завдання 4.4
4.5 Розподіл Стьюдента
Нехай випадкова величина x має стандартний нормальний розподіл, а випадкова величина - c2 - розподіл з n ступенями свободи. Якщо x і незалежні, то про випадкову величину кажуть, що вона має розподіл Стьюдента з числом ступенів свободи n. Доведено, що густина ймовірності цієї випадкової величини обчислюється за формулою:
.
При великих n розподіл Стьюдента практично не відрізняється від стандартного нормального розподілу.
У MathCAD значення в точці x густини розподілу і функції розподілу Стьюдента обчислюються вбудованими функціями dt(x,n) і pt(x,n).
Завдання 4.5. Побудувати у MathCad графіки густини розподілу і функції розподілу Стьюдента з числом ступенів свободи n=2,5,10. Порівняти з відповідними графіками стандартного нормального розподілу.
Реалізація завдання 4.5
4.6 F-розподіл Фішера
Нехай випадкові величини і незалежні і мають розподіл c2 з n і m ступенями свободи відповідно. Тоді випадкова величина має F-розподіл з густиною ймовірності:
У MathCAD значення в точці x густини розподілу і функції F-розподілу Фішера обчислюються вбудованими функціями df(x,n,m) і pf(x,n,m).
Завдання 4.6. Побудувати у MathCAD графіки густини розподілу і функції розподілу Фішера для n=2,5 і m=5,2.
Реалізація завдання 4.6.
4.7 Квантилі
При розв'язку практичних завдань часто потрібно знайти значення x, при якому функція розподілу випадкової величини приймає задане значення, тобто потрібно розв'язати рівняння Fx(x)=p. Розв'язки такого рівняння в теорії ймовірностей називаються квантилями.
Квантиллю xp (p-квантиллю, квантиллю рівня p) випадкової величини x, що має функцію розподілу Fx(x), називають розв'язок xp рівняння Fx(x), називають розв'язок xp рівняння Fx(x)=p, p(0,1).
Для деяких p рівняння Fx(x)=p може мати декілька розв'язків, для деяких - жодного. Це означає, що для відповідної випадкової величини деякі квантилі визначені неоднозначно, а деякі квантилі не існують.
Квантилі, що найчастіше використовуються в практичних задачах, мають свої назви:
Ё медіана - квантиль рівня 0.5
Ё нижня квартиль - квантиль рівня 0.25
Ё верхня квартиль - квантиль рівня 0.75
Ё децилі - квантилі рівнів 0.1, 0.2, ...,0.9
Ё процентилі - квантилі рівнів 0.01, 0.02, ...,0.99
Для тих розподілів, для яких у MathCad представлені вбудовані функції густини розподілу і функції розподілу, визначені і вбудовані функції обчислення квантилів.
Наприклад, якщо густини розподілу і функції розподілу для стандартного нормального розподілу визначаються вбудованими функціями dnorm(x,0,1) і pnorm(x,0,1), то p-квантиль для цього розподілу є значенням функції qnorm(x,0,1).
Завдання 4.7. Обчислити у MathCad медіану, верхню і нижню квартилі і 0.95 - квантиль для стандартного нормального розподілу N(0,1).
Реалізація завдання 4.7
5 Числові характеристики випадкових величин
Кожна випадкова величина повністю визначається своєю функцією розподілу. В той же час при розв'язку практичних задач необхідно знати кілька числових параметрів, які дозволяють представити основні особливості випадкової величини у стислій формі. До таких величин відносяться в першу чергу математичне сподівання і дисперсія.
5.1 Математичне сподівання випадкової величини
Математичне сподівання - число, довкола якого зосереджені значення випадкової величини.
Якщо x - дискретна випадкова величина з розподілом
x |
x1 |
x2 |
… |
xn |
|
p |
p1 |
p2 |
… |
pn |
то її математичним сподіванням Mx називається величина
якщо число значень випадкової величини скінченне. Якщо число значень випадкової величини зліченне, то
При цьому якщо ряд в правій частині рівності розбігається або збігається умовно, то кажуть, що випадкова величина x не має математичного сподівання.
Математичне сподівання неперервної випадкової величини з густиною ймовірності px(x) обчислюється за формулою:
При цьому, якщо інтеграл в правій частині рівності розбігається, то кажуть, що випадкова величина x не має математичного сподівання.
При обчисленні математичного сподівання корисні такі його властивості:
Ё математичне сподівання константи дорівнює цій константі, тобто Mc=c;
Ё математичне сподівання - лінійний функціонал випадкової величини, тобто при довільних сталих a і b справедлива рівність: M(ax+bh)=aMx+bMh;
Ё математичне сподівання добутку двох незалежних випадкових величин, тобто M(xh)=Mx*Mh
Приведемо формули математичних сподівань для найвідоміших розподілів:
· біноміальний розподіл (
· геометричний розподіл (
· гіпергеометричний розподіл (
· розподіл Пуассона
· рівномірний розподіл
· експоненціальний (показниковий) розподіл
· нормальний розподіл N(a,s)
· розподіл хі-квадрат (c2 -розподіл) з n ступенями свободи
· розподіл Стьюдента з n ступенями свободи ;
· F-розподіл Фішера з n і m ступенями свободи
5.2 Дисперсія випадкової величини
Дисперсія випадкової величини характеризує міру розкидування значень випадкової величини навколо її математичного сподівання.
Якщо випадкова величина x має математичне сподівання Mx, то дисперсією випадкової величини x називається величина Dx=M(x-Mx)2. Легко показати, що Dx=Mx2-(Mx)2. Ця універсальна формула застосовується як для дискретних, так і для неперервних величин. Величина (Mx)2 обчислюється за формулами:
для дискретних і неперервних величин відповідно.
Ще одним параметром для визначення міри розкидування значень випадкової величини є середньоквадратичне відхилення sx, зв'язане з дисперсією співвідношенням .
Перелічимо основні властивості дисперсії:
· дисперсія будь-якої випадкової величини невід'ємна: Dx0;
· дисперсія константи рівна нулю: Dc=0;
· для довільної константи c: D(cx)=c2Dx;
· дисперсія суми (різниці) двох незалежних випадкових величин дорівнює сумі їх дисперсій: D(xh)=DxDh.
Приведемо формули для дисперсій найвідоміших стандартних розподілів:
· біноміальний розподіл: ;
· геометричний розподіл: ;
· гіпергеометричний розподіл: ;
· розподіл Пуассона Dx=l;
· рівномірний розподіл
· експоненціальний (показниковий) розподіл: Dx=l-2;
· нормальний розподіл N(a,s): Dx=s2;
· розподіл хі-квадрат (c2 -розподіл) з n ступенями свободи: Dc2=2n;
· розподіл Стьюдента з n ступенями свободи:
· F-розподіл Фішера з n і m ступенями свободи:
Завдання 5.1-5.2
Випадкова величина h розподілена рівномірно на проміжку [1,2]. Знайти за допомогою MathCad математичне сподівання і дисперсію площі квадрата зі стороною h, тобто характеристики випадкової величини
Реалізація завдання 5.1-5.2
5.3 Моменти. Коефіцієнт асиметрії
В теорії ймовірностей і математичній статистиці, попри математичне сподівання і дисперсію, використовуються інші числові характеристики випадкових величин. Це в першу чергу початкові та центральні моменти.
Початковим моментом k-го порядку випадкової величини x називається математичне сподівання k-го степеня випадкової величини x, тобто ak=Mxk.
Центральним моментом k-го порядку випадкової величини x називається величина mk,, що визначається формулою =M(x-Mx)k.
Математичне сподівання випадкової величини - початковий момент першого порядку, дисперсія - центральний момент другого порядку.
Існують формули, які дозволяють виразити центральні моменти випадкової величини через її початкові моменти.
Dx=Mx2-(Mx)2, тобто m2=a2-a12
Якщо густина розподілу ймовірностей випадкової величини симетрична відносно прямої x=Mx, то всі її центральні моменти непарного порядку рівні 0.
В теорії ймовірностей і в математичній статистиці в якості міри асиметрії розподілу виступає коефіцієнт асиметрії, який визначається формулою:
, де m3 - центральний момент третього порядку, sx - середньоквадратичне відхилення.
Коефіцієнт асиметрії - безрозмірна величина, а за його знаком можна зробити висновок про коефіцієнт асиметрії.
Завдання 5.3. Випадкова величина x має нормальний розподіл N(1,3). Використовуючи пакет MathCad, знайти коефіцієнт асиметрії.
Реалізація завдання 5.3
Коефіцієнт асиметрії нормального розподілу рівний 0.
5.4 Ексцес
У теорії ймовірностей та математичній статистиці найчастіше використовується нормальний розподіл, тому він став своєрідним еталоном, з яким порівнюють інші розподіли. Одним з параметрів, що визначають відмінність порівнюваного розподілу від нормального, є ексцес.
Ексцес g випадкової величини x визначається рівністю .
У нормального розподілу g=0. Якщо g>0, то графік густини ймовірностей px(x) сильніше “загострений”, ніж у нормального розподілу, якщо ж g<0, то “загостреність” графіку px(x) менша, ніж у нормального розподілу.
Завдання 5.4. Обчислити ексцес і побудувати графіки відповідних густин ймовірностей для двох випадкових величин. Перша випадкова величина має розподіл Лапласа з густиною ймовірностей , друга розподілена рівномірно на відрізку [-1;1]. Для порівняння з графіками ймовірностей досліджуваних випадкових величин побудувати таож графік густини ймовіростей нормального розподілу N(0,0.5).
Реалізація завдання 5.4.
При реалізації завдання слід врахувати, що MathCad не справляється з обчисленням інтегралів функцй, заданих різними виразами на різних проміжках, а саме так задана функція p(x)=1/2*exp(-|x|). Тому при обчисленні моменту знайдемо інтеграл по половинному інтервалу, а потім результат помножимо на 2.
Перший розподіл має додатній ексцес, тому його графік “гостріший”, ніж у нормального розподілу. Другий розподіл з від'ємним ексцесом, навпаки, має більше “згладжений” максимум.
5.5 Середнє гармонічне і середнє геометричне випадкових величин, що приймають тільки додатні значення
Середнє гармонічне і середнє геометричне випадкової величини - числові характеристики, що використовуються в економічних обчисленнях.
Середнім гармонічним випадкової величини, що приймає додатні значення, називається величина Hx=M(x-1)-1. Наприклад, для неперервної випадкової величини, розподіленої рівномірно на відрізку [a,b], 0<a<b, середнє гармонічне обчислюється так:
Середнім геометричним випадкової величини, що приймає додатні значення, називається величина .
Знайдемо середнє геометричне випадкової величини, що має експоненціальний (показниковий) розподіл з параметром l.
,
де С0.577 - стала Ейлера.
Завдання 5.5. Випадкова величина x розподілена рівномірно на відрізку [2,3]. Знайти її середнє гармонічне і середнє геометричне за допомогою пакету MathCad.
Реалізація завдання 5.5
Подобные документы
Розробка і описання програми перевірки гіпотези про розподіл Пуассона емпіричного ряду за допомогою критерію Пірсона. Розробка програми мовою Паскаль (середовище Turbo Pascal 6.0.). Програма розроблена із застосуванням методики процедурного програмування.
курсовая работа [51,0 K], добавлен 23.04.2010Розробка програмного продукту, який виконує розрахунок оптимального розподілу механізмів по роботах. Алгоритм методу мінімального елемента, побудови опорного плану транспортної задачі. Реалізація алгоритмів мовою С++. Методи побудови опорного плану.
курсовая работа [1,6 M], добавлен 07.06.2012Проектування інформаційної системи, яка дозволяє розподіляти навантаження, вносити в неї оперативні змін і зменшити витрати тимчасових і людських ресурсів на розподіл навантаження на кафедрі. Вхідна та вихідна інформація процесу розподілу навантаження.
курсовая работа [4,0 M], добавлен 22.07.2014Елементи прихованої марківської моделі. Матриця ймовірностей переходів (або матриця переходів). Розподіл ймовірностей початкового стану. Розпізнавання мовлення із великих словників для ізольовано вимовлених слів. Попередня обробка мовного сигналу.
курсовая работа [175,1 K], добавлен 13.04.2009Розв’язання системи лінійних та нелінійних рівнянь у програмі MathCAD. Матричний метод розв'язання системи рівнянь. Користування панеллю інструментів Математика (Math) для реалізації розрахунків в системі MathCAD. Обчислення ітераційним методом.
контрольная работа [1023,4 K], добавлен 08.04.2011Розробка та реалізація програмного рішення для автоматизації оптимального розподілу ресурсів підприємства з найменшими витратами, інформаційне і технічне забезпечення задачі. Функціональна структура та архітектура корпоративної інформаційної системи.
курсовая работа [2,3 M], добавлен 17.04.2013Изучение структуры рабочего документа MathCad - программы, предназначенной для автоматизации математических расчетов. Работа с переменными, функциями и матрицами. Применение MathCad для построения графиков, решения уравнений и символьных вычислений.
презентация [639,2 K], добавлен 07.03.2013Общий вид окна MathCad, меню панели инструментов исследуемой программы. Документ MathCad, его общая характеристика и методы редактирования. Разделение областей и контекстное меню, выражения. Определение дискретного аргумента, переменных и констант.
презентация [656,5 K], добавлен 29.09.2013Понятие математической модели и моделирования. Общие сведения о системе MathCad. Структурный анализ задачи в MathCAD. Режим непрерывных символьных преобразований. Оптимизация численных вкладок через символьные преобразования. Расчет опорной реакции.
курсовая работа [649,5 K], добавлен 06.03.2014Використання пакету "Компас-графік" у машинобудуванні. Підтримка стандартів Єдиної системи конструкторської документації, види графічного креслення. Принцип роботи конденсатора. Розрахунки фланця на міцність та стійкість за допомогою програми MathCAD.
курсовая работа [1,9 M], добавлен 18.02.2014