Основы стохастического анализа
Вычислите плотности вероятностей и условные плотности вероятностей нормального случайного вектора (X, Y) с заданными параметрами. Постройте график плотности вероятностей случайного вектора, графики плотности вероятностей компонент случайного вектора и графики условных плотностей вероятностей каждой компоненты, когда значение другой компоненты равно ее математическому ожиданию. Исследуйте для… Читать ещё >
Основы стохастического анализа (реферат, курсовая, диплом, контрольная)
Задание 1
Постройте:
- 1) биномиальное распределение для серии из п независимых испытаний с вероятностью успеха р,
- 2) пуассоновское распределение с параметром ,
- 3) гипергеометрическое распределение с параметрами N, М, п,
- 4) геометрическое распределение с параметрами п, р.
- 5) распределение Паскаля с параметрами п, р., r
Для каждого распределения выполните следующее: проверьте равенство, где pk = P (Х = k); найти значение k, для которого величина Р (X = k) максимальна; постройте графики распределения и функций распределения; Найти вероятность попадания значений случайной величины в интервал (а, b).
Таблица. Биномиальное распределение.
№. | п. | p. | N. | М. | п. | а. | b. | ||
Бин. Геом. | Пуас. | Гипергеометрическое. | |||||||
0.18. | 0.6. | ||||||||
Решение:
,.
Пуассоновское распределение.
.
Геометрическое распределение.
Распределение Паскаля.
.
Мы здесь получили для распределения Паскаля те же результаты что и для геометрического распределения. Это объясняется тем, что из распределения Паскаля можно получить геометрическое:
При произвольном p распределение Паскаля имеет следующий вид:
Задание 2
Исследуйте для приведенного в задании эксперимента точность асимптотической формулы Пуассона. Вычислите вероятность события X > k для биномиального распределения и по приближенной формуле Пуассона = пр. Для сравнения выполните вычисления для n1= 0.0l n и p1 = 100р.
Варианты 1−10. Провайдер обслуживает п абонентов сети Internet. Вероятность того, что любой абонент захочет войти в сеть в течение часа, равна р. Найти вероятность того, что в течение часа более k абонентов попытаются войти в сеть.
№. | п. | p. | k. | |
0.0022. | ||||
— биномиальное распределение.
— распределение Пуассона.
Решение:
.
Из приведенных вычислений видно, что в первом случае (n = 1800, p = 0.0022) результаты вычислений по точной и асимптотической формулам совпадают, а во втором (n = 18, p = 0.22) — отличаются.
Задание 3
Исследуйте для указанных значений параметров биномиального распределения точность асимптотической формулы Муавра — Лапласа.
Исследуйте для указанных значений параметров биномиального распределения точность локальной формулы Муавра — Лапласа. Для указанных значении п и р вычислите вероятность того, что случайная величина, имеющая биномиальное распределение, принимает значение, равное п/2 Проведите вычисления по формуле Бернулли и по приближенной формуле Муавра — Лапласа. Сравните результаты.
№. | п. | p. | |
30, 50, 80, 100. | 0.5, 0.2. | ||
На практике пуассоновским приближением пользуются при npq < 9. Если npq > 9, то для расчетов используют приближение в соответствии с теоремой Муавра — Лапласа. Пусть и величина:
ограничена при, тогда:
Требование ограниченности величины xk означает, что при величина k тоже должна расти вместе с величиной n. Точность формулы:
растет как с ростом величин n и k, так и по мере приближения величин p и q к .
Решение:
.
Приведенные вычисления полностью подтверждают теоретические утверждения: погрешность аппроксимации уменьшается с ростом п и по мере приближения p и q к 0.5.
Задание 4
Исследуйте для указанного биномиального распределения точность интегральной формулы Муавра — Лапласа.
Варианты 1−10. Вероятность того, что произвольно выбранный абонент сети Internet — студент, равна р. Найти вероятность того, что среди абонентов некоторого провайдера студентов не менее k1 и не более k2.
N. | p. | n. | k1. | k2. | |
0.42. | |||||
Для вычисления вероятности того, что число успехов в n испытаниях Бернулли заключено между k1 и k2, можно использовать формулу:
.
.
Решение:
.
Приведенные вычисления полностью подтверждают теоретические утверждения: приближенные значения вероятностей совпадают с вероятностями, вычисленными по формуле Бернулли.
Задание 5
Найдите наименьшее число испытаний Бернулли, необходимое для того, чтобы с вероятностью, не меньшей заданной, можно принять относительную частоту успехов за вероятность успеха в одном испытании с погрешностью, не превышающей заданную.
Варианты 1−10. Провайдер утверждает, что вероятность соединиться с сетью с первого звонка достаточно велика. Сколько нужно произвести экспериментов, чтобы с вероятностью не менее можно было утверждать, что относительная частота соединений с первого звонка отличается от заявленной вероятности не более, чем на ?
№. | |||
0.92. | 0.07. | ||
Определим, сколько нужно произвести испытаний, чтобы отклонение относительной частоты успехов от вероятности p было меньше e с вероятностью, большей или равной, т. е. найдем n, для которого выполняется неравенство:
.
Доказано, что число n обеспечивает выполнение этого неравенства, если оно удовлетворяет соотношению:
где x — решение уравнения:
.
Следует обратить особое внимание на замечательный факт — искомое значение n не зависит от p и поэтому формулой:
следует пользоваться для оценки минимально необходимого числа испытаний при неизвестной вероятности р. Если вероятность p изначально известна, то необходимое число испытаний определяется формулой:
.
Решение:
.
.
Искомое значение n= 157.
Задание 6
Постройте графики плотности распределения и функции распределения 2 c указанным числом степеней свободы, равным п = 9.
Распределение xи-квадрат (2-распределение). Пусть x1, x2, … xn — независимые случайные величины, каждая из которых имеет стандартное нормальное распределение N(0, 1). Составим случайную величину:
.
Ее распределение называется 2-распределением с n степенями свободы. Для справочных целей приведем здесь выражение плотности распределения этой случайной величины:
.
где Г(x) — гамма-функция Эйлера:
.
Решение:
.
Задание 7.
Постройте графики плотности распределения и функции распределения Стьюдента с указанным числом степеней свободы, равным k = №. Здесь № - номер варианта.
Распределение Стьюдента. Пусть случайная величина x имеет стандартное нормальное распределение, а случайная величина 2-распределение с n степенями свободы. Если x и независимы, то про случайную величину:
говорят, что она имеет распределение Стьюдента с числом степеней свободы п. Доказано, что плотность вероятности этой случайной величины вычисляется по:
R.
При больших n распределение Стьюдента практически не отличается от N(0,1).
Решение:
N. | п. | т. | |
Задание 8
Постройте графики плотности распределения и функции распределения Фишера для указанных значений n и m.
F-распределение Фишера. Пусть случайные величины и независимы и имеют распределение 2 с n и m степенями свободы соответственно. Тогда случайная величина:
имеет F-распределение с плотностью вероятности:
x > 0.
Решение:
Задание 9.
Постройте графики плотности распределения и функции распределения Парето для указанных значений a и .
№. | а. | ||
2,2. | 1.5. | ||
Распределение Парето. Распределение Парето часто применяется в экономических исследованиях. Плотность вероятностей для случайной величины, распределенной по Парето, имеет вид:
где .
Как видно из этой формулы, случайная величина, распределенная по Парето, принимает значения только в области x > а.
Решение:
.
Задание 10.
Постройте графики плотности распределения и функции распределения для логистического распределения при значениях параметров = а и = для значений а и из задания 9.9.
№. | а. | ||
2,2. | 1.5. | ||
Логистическое распределение. Это еще одно распределение, широко применяемое в экономических исследованиях. Оно имеет следующую функцию распределения:
R.
где и — параметры распределения.
Плотность распределения вероятностей для логистического распределения вычисляется по формуле:
R.
По своим свойствам логистическое распределение очень похоже на нормальное.
Решение:
Задание 11.
Найдите медиану, верхнюю и нижнюю квартили, а также 95%-ную квантиль для нормального распределения N(a,), а и = для значений и из задания 9.9.
№. | а. | ||
2,2. | 1.5. | ||
При решении практических задач часто требуется найти значение я, при котором функция распределения случайной величины принимает заданное значение, т. е. требуется решить уравнение.
Fо (x) = p.
Решения такого уравнения в теории вероятностей называются квантилями.
Квантилъю xp (p-квантилью, квантилью уровня p) случайной величины о, имеющей функцию распределения Fо(x), называют решение xp уравнения:
Fо (x) = p, p (0,1).
Для некоторых p уравнение Fо (x) = p может иметь несколько решений, для некоторых — ни одного. Это означает, что для соответствующей случайной величины некоторые квантили определены неоднозначно, а некоторые квантили не существуют.
Квантили, наиболее часто встречающиеся в практических задачах, имеют свои названия:
медиана — квантиль уровня 0.5;
нижняя квартиль — квантиль уровня 0.25;
верхняя квартиль — квантиль уровня 0.75;
децили — квантили уровней 0.1, 0.2, …, 0.9;
процентили — квантили уровней 0.01, 0.02, …, 0.99.
Решение:
квантиль уровня 0.95.
Задание 12
По заданному совместному распределению двух дискретных случайных величин найдите распределение каждой из них.
0.07. | 0.1. | |||
0.17. | 0.29. | |||
0.27. | 0.1. | |||
Решение:
.
Распределение х:
Распределение у.
Задание 13
По заданному совместному распределению двух дискретных случайных величин найдите распределение каждой из них и проверьте их независимость.
0.03. | 0.18. | 0.09. | |||
0.07. | 0.42. | 0.21. | |||
Решение:
— распределение х.
— распределение у Проверка независимости:
Условие независимости не выполняется, следовательно, X и Y зависимы. распределение случайная вероятность дисперсия.
Для распределений из 13
— распределение х.
— распределение у Проверка независимости:
.
Задание 14
Вычислите распределение компонент заданной двумерной случайной величины и все их условные распределения. Постройте многоугольники соответствующих распределений. Выполните вычисления для распределений из задания 9.12.
0.07. | 0.1. | |||
0.17. | 0.29. | |||
0.27. | 0.1. | |||
Решение:
Распределение СВ.
Распределение СВ.
.
Распределение СВ.
Условные распределения при х=0, 2, 4.
Условные распределения при у=0, 9.
Задание 15.
N. | а. | b. | |
5.5. | 6.5. | ||
Найти распределение компонент двумерной случайной величины и все их условные распределения, если эта случайная величина распределена равномерно в области х 2 /а 2+у 2 / b2 1.
Решение:
Проверка выполнения условия нормировки:
.
Задание 16.
Вычислите плотности вероятностей и условные плотности вероятностей нормального случайного вектора (X, Y) с заданными параметрами. Постройте график плотности вероятностей случайного вектора, графики плотности вероятностей компонент случайного вектора и графики условных плотностей вероятностей каждой компоненты, когда значение другой компоненты равно ее математическому ожиданию.
N. | aX. | X. | aY. | Y. | kXY. | |
1.3. | 5.5. | 0.2. | 0.2. | 0.5. | ||
Важный пример дает случайный вектор (о, з), имеющий нормальное распределение. В наиболее общем случае плотность вероятностей такого вектора зависит от пяти параметров ао, аз, уо, уз, kоз и имеет вид:
При любых значениях параметров ао, аз, уо>0, уз>0, |kоз|1 эта функция удовлетворяет условиям нормировки:
.
Кроме того, можно легко найти плотность распределения каждой из случайных величин о и з:
т.е. случайные величины о и з имеют нормальные распределения с параметрами aо, уо > 0, и aз, уз > 0:
о ~ N(aо, уо), з ~ N(aз, уз).
Аналогично можно найти условное распределение.
Рассмотрим теперь условное распределение о при условии з = у. Для этого, выполнив несложные вычисления, найдем:
Это нормальное распределение с параметрами:
и .
Аналогично можно найти условное распределение:
которое также является нормальным распределением с параметрами:
и .
Решение:
.
Задание 17.
Найдите по заданному распределению аргумента функцию случайной величины Y=g (X) и ее распределение .
№. | Y=g (X). | ||
Если о — случайная величина с областью значений Хо и функция f(x) определена на множестве Хо, то з = f(x) — тоже случайная величина. Задача об отыс. кании функции распределения случайной величины з по известной функции распределения случайной величины о легко решается, если f(x) — непрерывная монотонно возрастающая функция. В этом случае:
Fз(x) = P(з(f(о)(о-1(x)) = Fо(f—1(x)).
Fз(x)=Fо(f—1(x)).
Здесь Fо(x) — известная функция распределения случайной величины о, а символом f—1(x) обозначена функция, обратная к функции* f—1(x).
Плотность распределения случайной величины з для дифференцируемой функции f(x) находится по формуле:
.
Решение:
Y — принимает положительные значения, при отрицательных значениях Y распределение равно нулю.
Задание 18
Найдите плотность распределения вероятности суммы двух независимых непрерывных случайных величин, заданных своими плотностями вероятностей р 1(х) и p2(х). Здесь Arctg [a] - распределение арктангенса с плотностью .
№. | р 1(х). | p2(х). | |
N (-1,1). | N (-1,2). | ||
В теории вероятностей очень часто возникает необходимость в определении плотности вероятности суммы двух независимых случайных величин. Если о1 и о2 — непрерывные независимые случайные величины с плотностями вероятности соответственно р 1(х) и p2(х), то плотность вероятностей суммы з=о1+о2 вычисляется по формуле:
.
Интеграл такого вида называется сверткой функций р 1(х) и р 2(х).
Решение:
.
Задание 19.
Найдите функцию распределения произведения двух зависимых случайных величин, распределенных равномерно в соответствии на промежутках [а, b] и [с, d].
N. | а. | b. | с. | d. | |
— 1. | — 2. |
Решение:
— непрерывная случайная величина, где.
.
Плотность распределения функции можно найти простым дифференцированием функции распределения случайной величины по .
Задание 20
Вычислите математическое ожидание и дисперсию слyчайной величины Y = (X), которая представляет собой площадь указанной в задании геометрической фигуры, для случайной величины X, распределенной равномерно на промежутке [а, b].
№. | Геометрическая фигура. | а. | b. | |
Осевое сечение конуса с высотой X и радиусом основания X. | 11.5. | |||
Решение:
.
Так как случайная величина y является функцией случайной величины x, y=f(x), то:
.
А дисперсия вычисляется по формуле:
Dy = Мy2 — (Мy)2.
Задание 21
Вычислите коэффициент асимметрии СВ x (=Х) с заданным распределением.
№. | Распределение. | |
Парето с плотностью при и 0 при. | ||
В теории вероятностей и математической статистике, помимо математического ожидания и дисперсии, используются и другие числовые характеристики случайных величин. В первую очередь это начальные и центральные моменты.
Начальным моментом k-го порядка случайной величины x называется математическое ожидание k-й степени случайной величины x, т. е.
k = Мxk.
Центральным моментом k-го порядка случайной величины x называется величина k, определяемая формулой:
k = М(x — Mx)k.
Заметим, что математическое ожидание случайной величины — начальный момент первого порядка,.
1 = Мx,.
а дисперсия — центральный момент второго порядка:
2 = М(x — Mx)2 = Dx.
Существуют формулы, позволяющие выразить центральные моменты случайной величины через ее начальные моменты. Одна из таких формул приведена выше:
Dx = М(x — Mx)2 = 2 — 12.
В дальнейшем будет использована формула:
3 = 3-321+ 213
Нетрудно понять, что если плотность распределения вероятностей случайной величины симметрична относительно прямой:
х = Мx,.
то все ее центральные моменты нечетного порядка равны нулю.
В теории вероятностей и в математической статистике в качестве меры асимметрии распределения служит коэффициент асимметрии, который определяется формулой:
x =
где 3 — центральный момент третьего порядка;
x = =.
— среднеквадратичное отклонение.
Коэффициент асимметрии — безразмерная величина, а по его знаку можно судить о характере асимметрии.
Решение:
.
Т.к нельзя вычислить коэффициент асимметрии.
Задание 22.
Вычислите эксцесс случайной величины x с заданным распределением. Выполните вычисления для распределений из задания 2l.
№. | Распределение. | |
Парето с плотностью при и 0 при. | ||
Нормальное распределение наиболее часто используется в теории вероятностей и в математической статистике, и поэтому график плотности вероятностей нормального распределения стал своего рода эталоном, с которым сравнивают другие распределения. Одним из параметров, определяющих отличие сравниваемого распределения от нормального, является эксцесс.
Эксцесс случайной величины x определяется равенством:
У нормального распределения, естественно, = 0. Если > 0, то это означает, что график плотности вероятностей px(х) сильнее «заострен», чем у нормального распределения, если же < 0, то «заостренность» графика px(х) меньше, чем у нормального распределения.
Решение:
.
Задание 23
Вычислите среднее геометрическое и среднее гармоническое неотрицательной случайной величины x с заданным распределением.
№. | Распределение. | |
Парето с плотностью при и 0 при. | ||
Средним гармоническим случайной величины, принимающей положительные значения, называется величина.
Hx = M(x -1)-1.
Например, для непрерывной случайной величины, распределенной равномерно на отрезке [а, b], 0 < a < b, среднее гармоническое вычисляется следующим образом:
.
Средним геометрическим случайной величины, принимающей положительные значения, называется величина:
Gx = eM(lnx).
Решение:
Задание 24.
Вычислите математическое ожидание дискретного двумерного случайного вектора с заданным распределением. Выполните вычисления для распределения из задания 9.12.
0.07. | 0.1. | |||
0.17. | 0.29. | |||
0.27. | 0.1. | |||
Решение:
Распределение двумерной случайной величины.
Математическое ожидание x.
Математическое ожидание h.
.
Задание 25
Вычислите дисперсию дискретного двумерного случайного вектора с заданным распределением. Выполните вычисления для распределения из задания 9.12.
0.07. | 0.1. | |||
0.17. | 0.29. | |||
0.29. | 0.1. | |||
Решение:
Распределение двумерной случайной величины
Математическое ожидание x.
Математическое ожидание h.
Математическое ожидание x2.
Математическое ожидание h2.
Дисперсия x.
Дисперсия h.
.
Задание 26.
Вычислите условные математические ожидания и постройте графики регрессий компонентов двумерных случайных величин из заданий 9.14 и 9.15.
0.07. | 0.1. | |||
0.17. | 0.29. | |||
0.27. | 0.1. | |||
х 2 /а 2+у 2 / b2 1.
N. | а. | b. | |
5.5. | 6.5. | ||
Решение:
Из 14.
.
Из 15.
.
Распределение плотности вероятностей СВ.
.
Математическое ожидание:
Условные математические ожидания.
Задание 27.
Вычислите ковариацию и дисперсию компонент двумерных случайных величин из заданий 14 и 15.
0.07. | 0.1. | |||
0.17. | 0.29. | |||
0.27. | 0.1. | |||
х 2 /а 2+у 2 / b2 1.
N. | а. | b. | |
5.5. | 6.5. | ||
Если между случайными величинами x и h существует стохастическая связь, то одним из параметров, характеризующих меру этой связи, является ковариация cov (x, h). Ковариацию вычисляют по формулам:
cov (x, h) = M [(x — Mx)(h — Mh)]= M(xh) — Mx Mh.
Если случайные величины x и h независимы, то cov (x, h) = 0. Обратное, вообще говоря, неверно. Из равенства ковариации нулю не следует независимость случайных величин. Случайные величины могут быть зависимы, в то время как их ковариация нулевая!
Но зато, если ковариация случайных величин отлична от нуля, между ними существует стохастическая связь, мерой которой и является величина ковариации.
Интересно отметить, что.
cov (x, x) = Dx.
cov (h, h) = Dh.
Кроме того, важны следующие свойства ковариации:
cov(x + C1, h + C2) = cov(x, h);
cov(x, h) = cov(h, x);
cov(C1x + C2h,) = C1 cov(x,) + C2 cov(h,).
Ковариационной матрицей случайного вектора (x, h) называется матрица вида:
Эта матрица симметрична и положительно определена. Ее определитель называется обобщенной дисперсией и может служить мерой рассеяния системы случайных величин (x, h).
Как уже отмечалось ранее, дисперсия суммы независимых случайных величин равна сумме их дисперсий:
D (x, h) = Dx + Dh.
Если же случайные величины зависимы, то:
D(x h) = Dx + Dh 2cov(x, h).
Решение:
Распределение случайной величины :
Распределение случайной величины :
.
Ковариация:
.
Дисперсия +.
Распределение +.
.
Задание 28
Вычислите ковариационную и корреляционную матрицы двумерного случайного вектора из задания 14.
0.07. | 0.1. | |||
0.17. | 0.29. | |||
0.27. | 0.1. | |||
Ковариационной матрицей случайного вектора (x, h) называется матрица вида:
Эта матрица симметрична и положительно определена. Ее определитель называется обобщенной дисперсией и может служить мерой рассеяния системы случайных величин (x, h).
Понятно, что значение ковариации зависит не только от «тесноты» связи случайных величин, но и от самих значений этих величин, например, от единиц измерения этих значений.
Для исключения этой зависимости вместо ковариации используется коэффициент корреляции:
Этот коэффициент обладает следующими свойствами:
- * он безразмерен;
- * его модуль не превосходит единицы, т. е. | kxh | 1;
- * если x и h независимы, то kxh = 0 (обратное, вообще говоря, неверно!);
- * если | kxh | = 1, то случайные величины x и h связаны функциональной зависимостью вида:
- h = ax + b,
где а и b — некоторые числовые коэффициенты;
* kxx = khh = 1.
Корреляционной матрицей случайного вектора называется матрица:
.
.
то ковариационная и корреляционная матрицы случайного вектора (x,h) связаны соотношением:
Cov (x,h) = K,.
.
Решение:
Распределение двумерной случайной величины:
Распределение случайной величины:
Математическое ожидание:
Распределение случайной величины:
:
Математическое ожидание:
.
.
.
Ковариация:
.
Дисперсия:
.
Дисперсия +.
Распределение +.
Задание 29.
По заданной плотности вероятностей нормального двумерного распределения:
найдите нормировочный множитель А, вычислите ковариационную и корреляционную матрицы.
N. | aX. | X. | aY. | Y. | |
1.4. | 0.85. | 2.4. | 0.7. | ||
При любых значениях параметров ax, ah, x, h, kxh эта функция удовлетворяет условиям нормировки:
.
Параметры ax, ah, x, h, kxh имеют простой теоретико-вероятностный смысл:
ax — математическое ожидание случайной величины x,.
Мx = ax;
ah — математическое ожидание случайной величины h,.
Мh = ah;
x — среднеквадратичное отклонение случайной величины x,.
Dx = x2;
h — среднеквадратичное отклонение случайной величины h,.
Dh = h2;
kxh — коэффициент корреляции случайных величин x и h.
Таким образом, зная плотность вероятностей двумерного нормального распределения, можно найти его числовые характеристики и построить ковариационную и корреляционную матрицы:
.
Решение:
.
.
.
Плотность вероятностей x:
Математическое ожидание x:
Дисперсия x:
Плотность вероятностей y:
Математическое ожидание y:
Дисперсия y: