Понятие непрерывной случайной величины
Понятие непрерывной случайной величины
Непрерывной случайной величиной (НСВ) называется случайная величина , имеющая абсолютно-непрерывное распределение вероятностей, определяемое функцией распределения:
и плотностью распределения:
НСВ имеет следующие основные числовые характеристики:
• среднее значение:
• дисперсия:
На практике для описания НСВ используются модельные непрерывные законы распределения с функциональными характеристиками, заданными в параметрическом виде:
Во многих практических задачах выборку наблюдений нельзя считать однородно, поскольку выборочные наблюдения соответствуют не одной, а нескольким моделям. Распределение такой выборки описывается смесью распределений. В связи с этим, актуальной задачей является задача моделирования смеси распределений.
Основными методами построения моделирующих алгоритмов для непрерывных законов распределения являются: метод обратной функции, метод исключения и метод функциональных преобразований.
В приложениях часто возникает задача моделирования НСВ в условиях априорно неопределенности, когда плотность неизвестна. В этих случаях может осуществляться моделирование СВ с заданной гистограммой или моделирование СВ с заданным полигоном частот. Гистограмма и полигон частот выступают как оценки плотности, построенные по имеющейся выборке экспериментальных данных.
Методы моделирования непрерывной случайной величины
Метод обратной функции
Метод обратной функции является одним из универсальных методов моделирования НСВ ξ с заданной плотностью и функцией распределения .
Пусть – строго монотонная возрастающая функция. Найдем обратную функцию , решая относительно х следующее уравнение: . Известно, что если α – БСВ, то СВ ξ, определяемая выражением: , имеет заданную плотность (функцию распределения ).
Таким образом, имеет место следующий алгоритм моделирования НСВ:
1) Моделируется реализация БСВ ;
2) Принимается решение о том, что реализацией СВ является величина х, определяемая по формуле: ;
3) Коэффициент использования БСВ k = 1.
На этом методе основываются алгоритмы моделирования НСВ с распределениями: равномерным, экспоненциальным, Лапласа, Вейбулла-Гнеденко, Коши, логистическим, гамма-распределением.
Метод исключения
В случаях, когда плотность распределения моделируемой НСВ имеет сложны аналитический ряд, нахождение функции распределения , а тем более обратной функции затруднительно, что делает невозможным применение метода обратной функции для моделирования СВ .
В этом случае может оказаться полезным другой универсальный метод моделирования, называемый методом исключения. Он заключается в следующем.
Обозначим: – область, ограниченную кривой и осью абсцисс. Определим мажорирующую функцию и область . Заметим, что мажорирующая функция должна иметь значительно более простой аналитический вид, чем . Область G при этом также имеет простой вид (треугольный, прямоугольный), позволяющий легко моделировать случайный вектор , равномерно распределенный в области G (например, при помощи метода обратной функции).
Алгоритм моделирования, основанный на методе исключения, включает следующие этапы:
1) Подбор мажорирующей функции ;
2) Моделирование реализации случайного вектора с равномерным распределением в области G ;
3) Принятие решения о том, что реализацией является при выполнении следующего условия:
Запись означает, что точка с координатами принадлежит области . Точки , не попавшие в , исключаются из рассмотрения. Отсюда и происходит название метода.
Для моделирования случайного вектора с равномерным распределением в области G полагают:
Моделирование СВ и (при условии, что ) осуществляется по методу обратной функции.
Средний коэффициент использования БСВ , где l – количество БСВ (обычно l = 2), используемых для получения одной реализации (x, y) случайного вектора .
Данный метод используется для построения одного из алгоритмов гамма-распределения.
Равномерное распределение
НСВ ξ имеет равномерное распределение на интервале [a, b), обозначаемое R(a, b), если функция и плотность распределения ξ определяются соотношениями:
Для произвольных значение параметров распределения a, b распределение R(a, b) обобщает распределение R(0, 1) БСВ α.
Среднее значение: , дисперсия: .
Алгоритм моделирования СВ ξ основан на методе обратной функции. Обратная функция для находится при решении уравнения относительно х: .
Далее в соответствии с указанным методом алгоритм моделирования реализации СВ включает два шага:
· моделирование реализации БСВ η
· принятие решения о том, что реализацией ξ является величина x:
Коэффициент использования БСВ k = 1.
Гамма-распределение
НСВ с плотностью распределения
имеет гамма-распределение с параметрами: - параметр формы; b>0 – параметр масштаба. Здесь Г(ν) - гамма-функция Эйлера:
Среднее значение и дисперсия равны:
При гамма-распределение совпадает с экспоненциальным: .
Для произвольного целого гамма-распределение называется распределением Эрланга порядка с параметром .
Если – целое число, – независимые случайные величины, распределенные по стандартному экспоненциальному закону , то СВ вида: имеет распределение .
В соответствии с методом обратной функции: – независимые БСВ. С учётом этого из (33) следует:
Если – независимые БСВ, , то СВ вида: имеет распределение .
В лабораторной работе полагалось, что – целое число. Для этого случая алгоритм моделирования описывается формулой (34). Коэффициент использования БСВ .
Распределение Коши
НСВ с плотностью распределения (38) имеет распределение Коши C(m, c) с параметрами: c>0 - параметр масштаба; - параметр положения (мода, медиана).
Функция распределения СВ имеет вид:
Известно, что если - независимые стандартные гаусовские величины, то СВ ξ вида имеет распределение Коши C(0,1).
Алгоритм моделирования СВ основывается на формуле (39) и состоит из двух шагов:
· моделирование независимых реализаций СВ ;
· принятие решения о том, что реализацией СВ является величина
Коэффициент использования БСВ k = 1.
Хи-квадрат распределение
НСВ с плотностью распределения
имеет хи-квадрат распределение с m степенями свободы (m>0 – натуральное число, параметр распределения). Здесь Г(z) – гамма-функция Эйлера.
Среднее значение и дисперсия равны: .
Известно, что, если - – независимые стандартные гаусовские СВ, то СВ (43) имеют плотность распределения (42).
В основе первого алгоритма моделирования СВ лежит свойство (43) : в качестве реализации СВ принимается величина x, вычисленная по независимым реализациям СВ по формуле: .
Коэффициент использования БСВ , где – число реализаций БСВ, необходимых для моделирования одной реализации СВ .
Пусть – независимые реализации БСВ, z – независимая от реализация СВ . Второй алгоритм моделирования СВ предполагает, что в качестве реализации СВ принимается величина x, вычисляемая по формулам: .
Коэффициент использования БСВ для случаев (44), (45) соответственно равен: .
Распределение Фишера
НСВ с плотностью распределения
имеет распределение Фишера (F-распределение) с l и m числом степеней свободы (l,m –натуральные числа, параметры распределения).
Среднее значение и дисперсия ξ ~ равны: .
Пусть . Тогда . Алгоритм моделирования определяется этим соотношением.
Критерий Колмогорова
Данный критерий позволяет осуществить проверку гипотез в условиях, когда функция распределения модельного закона известна полностью, то есть не зависит от неизвестных параметров. Он основан на анализе мер уклонения эмпирической и модельной функций распределения.
Эмпирическая функция распределения по случайной выборке реализаций СВ ξ определяется по формуле: .
Введём статистику , называемую расстоянием Колмогорова между и .
Известно, что гипотеза H0 верна и n→∞ (практически n > 20), то статистика имеет распределение Колмогорова с функцией распределения вида:
Критерий согласия Колмогорова представляет собой следующее решающее правило:
принимается гипотеза: H0, если , H1 в противном случае.
Порог – квантиль уровня распределения Колмогорова, - задаваемый пользователем уровень значимости.
Критерий хи-квадрат Пирсона
Данный критерий широко используется в задачах статистического анализа данных для проверки соответствия экспериментальных данных заданному модельному непрерывному или дискретному закону распределения, определяемому функцией распределения . При этом истинные значения параметров могут быть неизвестны. В задачах проверки точности моделирования значения задаются при описании условий экспериментов, поэтому функцию можно считать полностью заданной.
Пусть как и при построении гистограммы вычислены частоты попадания выборочных значений в K ячеек гистограммы. Гипотетические вероятности попадания значений ξ в ячейки гистограммы при истинной гипотезе H0 и полностью заданной функции равны:
где - границы ячеек гистограммы.
Статистика критерия проверки гипотез (15) имеет вид:
и характеризует взвешенную сумму квадратов уклонений частот от гипотетических значений . Чем больше , тем “сильнее” выборка не согласуется с H0.
Статистика (16) имеет, в предположении, что гипотеза H0 верна, -распределение с K-1 степенями свободы.
- критерий Пирсона основан на (16) и имеет вид:
где порог критерия находится из ограничения на ошибку первого рода: и имеет вид , где G(.) – функция распределения статистики (16).
Понятие непрерывной случайной величины
Непрерывной случайной величиной (НСВ) называется случайная величина , имеющая абсолютно-непрерывное распределение вероятностей, определяемое функцией распределения:
и плотностью распределения:
НСВ имеет следующие основные числовые характеристики:
• среднее значение:
• дисперсия:
На практике для описания НСВ используются модельные непрерывные законы распределения с функциональными характеристиками, заданными в параметрическом виде:
Во многих практических задачах выборку наблюдений нельзя считать однородно, поскольку выборочные наблюдения соответствуют не одной, а нескольким моделям. Распределение такой выборки описывается смесью распределений. В связи с этим, актуальной задачей является задача моделирования смеси распределений.
Основными методами построения моделирующих алгоритмов для непрерывных законов распределения являются: метод обратной функции, метод исключения и метод функциональных преобразований.
В приложениях часто возникает задача моделирования НСВ в условиях априорно неопределенности, когда плотность неизвестна. В этих случаях может осуществляться моделирование СВ с заданной гистограммой или моделирование СВ с заданным полигоном частот. Гистограмма и полигон частот выступают как оценки плотности, построенные по имеющейся выборке экспериментальных данных.