- •Лекция 3 Случайные величины
- •Случайные величины как факторы случайности событий
- •Определение случайной величины
- •Дискретные случайные величины
- •Свойства дискретных распределений
- •Индикатор случайного события
- •Закон распределения дискретных св
- •Биномиальное распределение
- •Распределение Пуассона
- •Геометрическое распределение
- •Гипергеометрическое распределение
- •Непрерывные случайные величины
- •Вероятностный смысл функции распределения непрерывной св
- •Свойства функции распределения
- •Плотность распределения
- •Основное свойство плотности распределения
- •Дискретно-непрерывные св
- •Пример построения закона распределения
- •Практическое использование законов распределения
- •Интегральная формула полной вероятности
- •Какая нужна технология обработки законов распределения
- •Получение случайных реализаций св согласно ее закону распределения
- •Универсальный генератор случайных реализаций св
- •Статистические распределения
- •Эмпирическая функция распределения
- •Эмпирический закон распределения дискретной св
- •Гистограмма частот
- •Построение гистограммы
- •Построитель гистограмм
- •Оптимизация гистограмм
- •Статистическая функция распределения
- •Построение закона распределения дискретной св
- •Моделирование дискретно-непрерывных случайных величин
- •Пример дискретно-непрерывной св
- •Полиморфизм объектных методов
- •БэсПиБп.3. Случайные величины 15
Универсальный генератор случайных реализаций св
Функция
Gen
(Листинг 3.2) возвращает случайные
реализации всех практически интересных
распределений, сокращенное название
которых ('bin' – биномиальное, 'geo' –
геометрическое, 'poi' –
Пуассона, и т.д.) задано первым аргументом.
Далее следуют параметры закона в
определенном порядке, если их нельзя
различить по значениям, как, например,
параметры биномиального закона n > 1,
p < 1.
Последним аргументом Gen
задается количество требуемых случайных
чисел. Для примера получим 15 случайных
реализаций СВ, распределенной по
биномиальному закону с параметрами
n = 6,
p = 0,4:нерируемых
случайных чисел. Получим 15 случайных
реализаций СВ, рае
>> X=Gen('bin',0.4,6,15), Y=Gen('bin',6,0.4,15)
X = 2 2 4 4 5 1 2 2 2 3 1 2 4 0 4
Y = 3 2 1 4 1 3 2 0 1 5 1 2 2 3 0
Оба выражения определены корректно, результаты X и Y различаются как случайные реализации двух серий испытаний Бернулли с вероятностью успеха 0,4.
Рис. 3.13. Равномерное распределение точек |
>> R1=Rect(2,5);R2=Rect(6,2,[3;2]);C=Circ([2;0],2);C2=C+[2;-1];
>> Z=Union(R1,R2); S1=Sect(C,C2); S2=Sect(Z,C);
>> a=Gen('rnd',Z,500);c1=Gen('rnd',S1,300); c2=Gen('rnd',S2,200);
>> Show(R1,R2,C,C2,Z,'Fc',S1,a,'r.',c1,'k.',c2,'k.')
Статистические распределения
Эмпирическая функция распределения
|
Рис. 3.8. Эмпирическая и теоретическая функции распределения |
Проведем эксперимент: разыграем N = 20 случайных углов в интервале [0, /2] и вычислим соответствующие им длины проекции стержня. В реальном эксперименте распределение случайных углов может быть неизвестным, а длины пробоин измеряются с некоторой случайной погрешностью. Построим график относительных частот с разрывами в реализациях и горизонтальными участками между ними (рис. 3.8):
>> L=10; N=20; x=rand(1,N)*pi/2;X=sort(sin(x))*L;
>> y=[0 X];y=sort([y,y]);z=(0:N)/N;Z=[z;z];Z=Z(:)';plot(y(2:end),Z(1:end-1), u, F(2:end-1))
Если выполнить эти же команды повторно, получим другой график, не совпадающий с первым из-за случайности реализаций при небольшом объеме статистики (тонкая линия на рис. 3.8). Для сравнения на тот же график выведена теоретическая функция распределения.