- •Содержание
- •Введение
- •Лабораторная работа №1 Моделирование случайных величин с равномерным, нормальным и экспоненциальным законами распределения
- •Цель работы
- •Теоретическая часть
- •1.2.1 Краткие сведения из теории вероятностей и математической статистики
- •Алгоритм формирования случайной величины X, равномерно распределённой в диапазоне [a;b]
- •1.2.3 Алгоритм формирования случайной величины Yс нормальным законом распределения
- •1.2.4 Алгоритм формирования случайной величины с экспоненциальным законом распределения
- •Порядок выполнения работы
- •Контрольные вопросы
- •Порядок выполнения работы
- •Контрольные вопросы
- •Порядок выподлнения работы
- •Контрольные вопросы
- •4.3 Порядок выполнеиня работы
- •Кривоносов Владимир Алксеевич
Порядок выполнения работы
Написать, отладить программу и выполнить генерацию nзначений случайной величиныX, распределённой равномерно в диапазоне [a;b]. Значенияn,a,bзадаются преподавателем. Вычислить статистические оценки математического ожиданияи дисперсии .
Построить гистограмму относительных частот случайной величины X. Для этого диапазон [a;b] разбить на 10 равных интервалов и подсчитать количество значений случайной величиныX, попавших в каждый из интервалов.
Написать программу и получить nзначений случайной величиныYраспределенной по нормальному закону. Величинаn, а такжеM(y), σ²yзадаются преподавателем.
Построить гистограмму относительных частот случайной величины Y. При этом диапазон значенийYтакже разбивается на 10 равных интервалов. Получить статистические оценки математического ожиданияи дисперсии величины Y.
Написать, отладить программу и выполнить генерацию nзначений случайной величины, распределённой по экспоненциальному распределению с параметром. Значенияn,задаются преподавателем. Вычислить статистические оценки математического ожиданияи дисперсии .
Построить гистограмму относительных частот случайной величины распределённой по экспоненциальному распределению с параметром. При этом диапазон значенийтакже разбивается на 10 равных интервалов.
Контрольные вопросы
1.4.1 Что характеризуют математическое ожидание и дисперсия случайной величины?
Какие случайные величины называют независимыми?
Как можно задать закон распределения случайной величины?
Чему равна дисперсия случайной величины Yравной среднемуkзначений случайной величиныX, дисперсия которой равна σ²x?
Содержание отчёта по лабораторной работе
Тексты программ
Гистограммы относительных частот величин
Статистические оценки математических ожиданий и дисперсий.
Лабораторная работа №2 Параметрическая идентификация статических объектов при помощи метода наименьших квадратов
Цель работы
Освоение методики параметрической идентификация статических объектов с использованием метода наименьших квадратов. Исследование статистических свойств оценок идентифицируемых параметров.
Теоретическая часть
Под идентификацией объекта понимается построение его математической модели в результате обработки экспериментальных данных, полученных при функционировании объекта. Различают идентификацию в широком смысле слова и идентификацию в узком смысле (оценивание параметров). Под идентификацией в широком смысле понимается построение структуры модели и определение её параметров в результате статистической обработки экспериментальных данных. При идентификации в узком смысле структура модели (т.е. вид математической зависимости вход-выход) известна априорно, а в результате обработки экспериментальных данных необходимо только оценить неизвестные параметры (коэффициенты, постоянные времени и т.п.) этой зависимости. В дальнейшем, говоря об идентификации, будем иметь ввиду оценивание параметров.
Пусть математическая модель представляет собой следующее соотношение
,
где y– выход модели (скаляр);A– вектор неизвестных параметров модели;X– вектор входных сигналов.
Например
,
Здесь
,
Проведено Nэкспериментов, в каждом их которых измерялись сигналыX,y. Результаты измерения дляi-го эксперимента обозначимX(i),y(i). Имея значения входных сигналовX(i) и задаваясь векторомAпараметров объекта, можно рассчитать модельное значение выходаyM(i) для данныхi-го эксперимента. В общем случаеyM(i)≠y(i), так как модель всегда лишь приближённо отражает свойства реального объекта. Кроме того, отклонение модельного значения выхода от экспериментального может быть вызвано неправильным выборомA.
В процессе идентификации объекта вектор Aстремятся выбрать так, чтобы последовательностьyM(i) была как можно ближе кy(i). В качестве меры близости (критерия идентификации) чаще всего выбирают функционалF, представляющий собой сумму квадратов разностей (невязок) между модельными и наблюдаемыми значениями выхода по всем экспериментам.
При этом в качестве оценки неизвестных параметров Aобъекта целесообразно выбирать значение, минимизирующееF
.
Полученная таким образом оценка называется оценкой метода наименьших квадратов (МНК–оценкой).
Как известно, необходимым условием минимума функционала Fявляется равенство нулю его частных производных по каждой из составляющих
.
Если модель линейна по параметрам (т.е. если неизвестные коэффициенты входят линейно в функцию f), то последнее уравнение является также линейным относительноA, и имеет единственное решение, если число независимых экспериментовNбольше числа оцениваемых параметров (размерностиA). При решении задачи идентификацииNна практике должно превышать размерностьAв десятки раз.
Проиллюстрируем получение МНК–оценок примером. Пусть y=f(A,X)=a0+a1∙x1+a2∙x2+a3∙x1∙x2. Заметим, что модель является нелинейной относительно сигналовX, но линейной по параметрамA. Тогда функция невязок (критерий идентификации) будет выглядеть следующим образом
.
Неизвестные параметры модели находим из условий
.
Последняя система уравнений может быть записана в следующем виде
.
Или, учитывая, что сокращение на –2 и деление на Nне сказывается на равенстве нулю, получаем
Имеем систему четырёх линейных уравнений (относительно A) с четырьмя неизвестными. Решением системы и является МНК–оценка.
Заметим, что МНК–оценки, как и любые статистические оценки, являются случайными величинами. Случайный характер оценок обусловлен наличием погрешностей измерения, неконтролируемых возмущений, случайными изменениями параметров и т.п. Желательными свойствами оценок являются:
Несмещённость, которая состоит в том, что математическое ожидание оценки совпадает с истинным значением при любых объёмах Nэкспериментальных данных т.е.
Состоятельность т.е. сходимость по вероятности оценок Aк истинным значениям параметров
,
где P– обозначение вероятности; ε – бесконечно малая положительная величина.
Эффективность. Эффективной называется оценка, имеющая наименьшую дисперсию среди всех возможных несмещённых оценок.
Во многих рассмотренных на практике задачах идентификации МНК–оценки являются несмещёнными, состоятельными и эффективными. Поэтому МНК является одним из наиболее используемых методов оценивания.