p align="left">pardistr (idistr, 1), pardistr (idistr, 2));% ординаты figure% новая фигура plot (xpl, ypdf);% рисуем set (get(gcf, 'CurrentAxes'),… 'FontName', 'Times New Roman Cyr', 'FontSize', 12) title(['\bfПлотность распределения ' tdistr{idistr}]) end; Рисунок 5 - плотность распределения амплитуды сигнала по нормальному закону Рисунок 6 - плотность распределения амплитуды сигнала по экспоненциальному закону Рисунок 7 - равномерная плотность распределения амплитуды сигнала Рисунок 8 - плотность распределения амплитуды сигнала по Релеевскому закону На практике могут встретиться и другие виды распределений (, 2, логнормальное, Вейбулла и т.д.). Многие из них реализованы в MATLAB, но иногда приходится писать свои функции. Графики некоторых плотностей распределения похожи между собой, поэтому иногда вид гистограммы позволяет выбрать сразу несколько законов. Если есть какие-либо теоретические соображения предпочесть одно распределение другому, можно их использовать. Если нет - нужно проверить все подходящие законы, а затем выбрать тот, для которого критерии согласия дают лучшие результаты. 1.3 Оценка параметров распределения случайных величин для четырех законов В выражениях для плотности и функции нормального распределения (4 - 5) параметры m и являются математическим ожиданием и среднеквадратичным отклонением. Поэтому, если мы остановились на нормальном распределении, то берем их равными, соответственно, выборочным математическому ожиданию и среднеквадратичному отклонению: . (12) Математическое ожидание показательного распределения есть величина, обратная его параметру . Поэтому, если мы выбрали показательное распределение, параметр находим: (13) Из выражений для mx и x равномерного закона распределения находим его параметры a и b: ; . (14) Параметр рэлеевского распределения также находится из выражения для mx (15) В системе MATLAB вычисление параметров теоретического распределения с помощью ПМП реализовано в функциях fit или mle. Подбор по методу моментов не реализован. Найдем параметры теоретического распределения по ПМП и методу моментов. Практическая часть. s={'нормальное распределение'; 'показательное распределение';… 'равномерное распределение'; 'Рэлеевское распределение'}; disp ('Параметры по ПМП:') [mx, sx]=normfit(x);% параметры нормального распределения lam=1/expfit(x);% параметр показательного распределения [a, b]=unifit(x);% параметры равномерного распределения sig=raylfit(x);% параметр Рэлеевского распределения fprintf([' % s: m=%12.7f; sigma=%12.7f\n'], s{1}, mx, sx) fprintf (' % s: alpha=%12.7f\n', s{2}, lam) fprintf (' % s: a=%12.7f; b=%12.7f\n', s{3}, a, b) fprintf (' % s: sigma=%12.7f\n', s{4}, sig) Для сигнала гусеничной техники: Параметры по ПМП: нормальное распределение: m= 0.0060038; sigma= 0.0203706 показательное распределение: alpha= 166.5608494 равномерное распределение: a= -0.0962308; b= 0.0942564 Рэлеевское распределение: sigma= 0.0150166 Для фонового сигнала: Параметры по ПМП: нормальное распределение: m= 0.0188599; sigma= 0.0005663 показательное распределение: alpha= 53.0224920 равномерное распределение: a= 0.0106122; b= 0.0210241 Рэлеевское распределение: sigma= 0.0133420 disp ('Параметры по методу моментов:') mx=Mx; sx=Sx;% параметры нормального распределения lam=abs (1/Mx);% параметр показательного распределения a=Mx-Sx*3^0.5; b=Mx+Sx*3^0.5;% параметры равномерного распределения sig=abs(Mx)*(2/pi)^0.5;% параметр Рэлеевского распределения fprintf([' % s: m=%12.7f; sigma=%12.7f\n'], s{1}, mx, sx) fprintf (' % s: alpha=%12.7f\n', s{2}, lam) fprintf (' % s: a=%12.7f; b=%12.7f\n', s{3}, a, b) fprintf (' % s: sigma=%12.7f\n', s{4}, sig) Для сигнала гусеничной техники: Параметры по методу моментов: нормальное распределение: m= 0.0060038; sigma= 0.0203706 показательное распределение: alpha= 166.5608494 равномерное распределение: a= -0.0292791; b= 0.0412867 Рэлеевское распределение: sigma= 0.0047903 Для фонового сигнала: Параметры по методу моментов: нормальное распределение: m= 0.0188599; sigma= 0.0005663 показательное распределение: alpha= 53.0224920 равномерное распределение: a= 0.0178790; b= 0.0198409 Рэлеевское распределение: sigma= 0.0150480 Вывод: из результатов, полученных двумя методами видно, что оценки плотностей распределения вероятностей для равномерного и рэлеевского законов по первому методу отличаются от плотностей распределения вероятностей по второму методу. Оценки показательных и нормальных законов плотностей распределения вероятностей по обоим методам практически совпадают. 1.4 Построение на одном графике теоретического и практического распределения для формулировки гипотезы Построим на одном графике теоретическую и эмпирическую плотности распределения вероятности. Эмпирическая плотность распределения - это гистограмма, у которой масштаб по оси ординат изменен таким образом, чтобы площадь под кривой стала равна единице. Для этого все значения в интервалах необходимо разделить на nh, где n - объем выборки, h - ширина интервала при построении гистограммы. Теоретическую плотность распределения вероятности строим по одному из выражений (4), (6), (8), (10), параметры для них уже вычислены. Эмпирическую плотность распределения нарисуем красной линией, а предполагаемую теоретическую - линией одного из цветов: синего, зеленого, сиреневого или черного. Практическая часть. [nj, xm]=hist (x, k);% число попаданий и середины интервалов delta=xm(2) - xm(1);% ширина интервала clear xfv fv xft ft% очистили массивы для f(x) xfv=[xm-delta/2; xm+delta/2];% абсциссы для эмпирической f(x) xfv=reshape (xfv, prod (size(xfv)), 1);% преобразовали в столбец xfv=[xl; xfv(1); xfv; xfv(end); xr];% добавили крайние fv=nj/(n*delta);% значения эмпирической f(x) в виде 1 строки fv=[fv; fv];% 2 строки fv=[0; 0; reshape (fv, prod (size(fv)), 1); 0; 0];% + крайние, 1 столбец xft=linspace (xl, xr, 1000)';% абсциссы для теоретической f(x) ft=[normpdf (xft, mx, sx), exppdf (xft, 1/lam),… unifpdf (xft, a, b), raylpdf (xft, sig)]; col='bgmk';% цвета для построения графиков figure plot (xfv, fv, '-r', xft, ft(:, 1), col(1), xft, ft(:, 2), col(2),… xft, ft(:, 3), col(3), xft, ft(:, 4), col(4)) % рисуем set (get(gcf, 'CurrentAxes'),… 'FontName', 'Times New Roman Cyr', 'FontSize', 12) title ('\bfПлотности распределения') xlim([xl xr]), ylim([0 1.4*max(fv)])% границы рисунка по осям xlabel ('\itx')% метка оси x ylabel ('\itf\rm (\itx\rm)')% метка оси y grid Рис. 9 - График плотности распределения вероятности сигнала гусеничной техники и графики нормального, рэлеевского, показательного и равномерного законов плотностей распределения вероятности Рис. 10 - График плотности распределения вероятности фонового сигнала и графики нормального, рэлеевского, показательного и равномерного законов плотностей распределения вероятности Вывод: из рисунка 9 видно, что наиболее подходящим теоретическим распределением для первой эмпирической гистограммы является нормальное. Реальный закон распределения амплитуд фонового сигнала также подчиняется нормальному закону. 1.5 Проверка гипотезы по критерию Колмогорова-Смирнова Мы подобрали вид теоретического распределения и его параметры. Следующий этап - это проверка правильности подбора. Необходимо выяснить: насколько хорошо теоретическое распределение согласуется с данными. С этой целью используются критерии согласия Колмогорова-Смирнова или Пирсона., во втором - f(x) и f*(x). Критерий согласия Колмогорова. В этом случае сравниваются теоретическая F(x) и выборочная F*(x) функции распределения. Сравниваемым параметром является максимальная по модулю разность между двумя функциями . (16) С точки зрения выборочного метода F*(x) является случайной функцией, так как от выборки к выборке ее вид меняется, поэтому величина D является случайной. Согласно теореме Гливенко-Кантелли с ростом объема выборки эта величина сходится к нулю. Колмогоров А.Н. выяснил, как именно D сходится к нулю. Он рассмотрел случайную величину (17) и нашел ее закон распределения. Как оказалось, при достаточно больших n он вообще не зависит от закона распределения генеральной совокупности X. Причем функция распределения случайной величины имеет вид . (18) Если опытные данные x действительно взяты из генеральной совокупности с функцией распределения F(x), то вычисленная по выражению (18) реализация случайной величины на уровне значимости q должна лежать в квантильных границах распределения Колмогорова (18). При этом, если малое (выходит за «левый» квантиль), то нулевая гипотеза принимается: теоретическое распределение согласуется с опытными данными. В общем случае нулевая гипотеза принимается, если выполняется условие 1-q. (19) Данный критерий называется еще критерием Колмогорова-Смирнова. Таким образом, для применения критерия согласия Колмогорова-Смирнова, мы должны найти максимальную по модулю разность между выборочной и теоретической функциями распределения D по выражению (16), вычислить по ней и проверить условие (19). Практическая часть. param=[[mx sx]; [lam 0]; [a b]; [sig 0]];% параметры распределений qq=[];% критические уровни значимости for idistr=1:ndistr, % критерий Колмогорова [hkolm, pkolm, kskolm, cvkolm]=… kstest (x, [x cdf (tdistr{idistr}, x,… param (idistr, 1), param (idistr, 2))], 0. 1,0); qq=[qq pkolm];% критические уровни значимости end [maxqq, bdistr]=max(qq);% выбрали лучшее распределение fprintf(['Лучше всего подходит % s;\nкритический уровень '… 'значимости для него =%8.5f\n'], s{bdistr}, maxqq); figure cdfplot(x);% эмпирическая функция распределения xpl=linspace (xl, xr, 500);% для графика F(x) ypl=cdf (tdistr{bdistr}, xpl, param (bdistr, 1), param (bdistr, 2)); hold on% для рисования на этом же графике plot (xpl, ypl, 'r');% дорисовали F(x) hold off set (get(gcf, 'CurrentAxes'),… 'FontName', 'Times New Roman Cyr', 'FontSize', 12) title(['\bfПодобрано ' s{bdistr}]) xlabel ('\itx')% метка оси x ylabel ('\itf\rm (\itx\rm)')% метка оси y Результат: Лучше всего подходит нормальное распределение; критический уровень значимости для него = 0.31369 Рис. 11 - График эмпирической функции распределения для сигнала гусеничной техники Рис. 12 - График эмпирической функции распределения для фонового сигнала Найденный критический уровень значимости - это то значение q, при котором неравенство (19) обращается в равенство. Вывод: По полученным результатам можно сделать вывод, что по данному критерию распределение подобранно верно. 1.6 Проверка гипотезы по критерию согласия Пирсона По критерию Пирсона сравниваются теоретическая и эмпирическая функции плотности распределения вероятности, а точнее - частота попадания случайной величины в интервал. Интервалы могут быть любыми, равными и неравными, но удобно использовать те интервалы, на которых построена гистограмма. Эмпирические числа попадания n (из гистограммы) сравнивается с теоретическим npj, где pj - вероятность попадания случайной величины X в j-ый интервал:
Страницы: 1, 2, 3, 4
|