Математический аппарат вероятности для статистики

Одномерные случайные величины: плотности, квантили и вычисление моментов

Содержание курса

0 / 1 баллов

Анализ нелинейного сенсора

Оптический сенсор улавливает поток фотонов и преобразует его в электрический сигнал. Входная величина принимает значения от 0 до 1 с плотностью , а выходной сигнал прибора нелинеен и подчиняется правилу .

При настройке драйвера разработчик решил оценить разброс выходных показаний, но вместо расчёта моментов новой величины просто возвёл в квадрат дисперсию входа. Такое наивное предположение искажает реальные характеристики сигнала.

Найдите истинное математическое ожидание и дисперсию выходного сигнала , а затем определите величину ошибки, к которой привело наивное приближение.

Что уже дано

В среде выполнения импортированы библиотека numpy под псевдонимом np и функция численного интегрирования quad из scipy.integrate. В редакторе объявлена функция analyze_sensor(alpha: float) -> dict[str, float], тело которой необходимо написать.

Что нужно сделать

Реализуйте функцию analyze_sensor(alpha: float) -> dict[str, float].

Параметр alpha — конечное вещественное число в диапазоне от 0.0 до 8.0 включительно. Входные значения гарантированно находятся в этих границах.

Входная случайная величина определена на отрезке с плотностью вероятности:

Вне отрезка плотность равна нулю. Выходной сигнал задаётся преобразованием .

Функция должна рассчитать теоретические характеристики распределений и вернуть словарь ровно с четырьмя ключами:

  • "mean_y" — математическое ожидание выхода ;
  • "variance_y" — дисперсия выхода ;
  • "naive_variance" — ошибочная оценка дисперсии , полученная возведением в квадрат дисперсии входа ;
  • "variance_error" — разность между приближённым значением и истинным: naive_variance - variance_y (знаковая ошибка, не модуль разности).

Все возвращаемые значения являются теоретическими характеристиками непрерывной модели, а не выборочными оценками. При проверке допускается погрешность вычислений: абсолютная и относительная точность составляет 1e-06 (условие , где — полученное значение, а — эталонное).

Подсказка 1

Вспомните формулу для математического ожидания функции от непрерывной случайной величины . Выразите моменты величины через степени .

Подсказка 2

Для вычисления наивной оценки сначала найдите дисперсию входа , а затем возведите полученное число в квадрат.

Ввод и вывод

Стандартные потоки stdin и stdout не используются: считывать ввод и выводить результат через print не требуется. Функция analyze_sensor принимает аргумент напрямую и возвращает итоговый словарь.

Формат ввода

Функция принимает вещественное число alpha типа float ().

Формат вывода

Словарь dict[str, float] с ключами "mean_y", "variance_y", "naive_variance", "variance_error".

Пример использования

result = analyze_sensor(0.0)
for key in ('mean_y', 'variance_y', 'naive_variance', 'variance_error'):
    print(f'{key}={result[key]:.6f}')

Вывод:

mean_y=0.333333
variance_y=0.088889
naive_variance=0.006944
variance_error=-0.081944
О данных в ответах

Используйте учебные данные. Не вставляйте пароли, токены, ключи доступа, паспортные и банковские данные, а также персональные данные других людей. Политика обработки данных.

РешениеPython · Python 3.12 (data: numpy, pandas, sklearn...)
Как проверяется решение

Проверяются функции и их результаты. Собственный запуск выполняет ваш код без авторских тестов. Интерактивный запуск не влияет на оценку. Лимит сессии — 5 минут, процессорного времени — 10 секунд.

Отправьте решение, чтобы увидеть результаты тестов.

Начать заново?

Помощник начнёт новый диалог по этой задаче. Текущая переписка останется в истории до конца срока хранения.

О переписке

Можно приложить до трёх фото PNG, JPEG или WebP по 5 МБ.

Переписка и фото хранятся 90 дней после последнего принятого сообщения и доступны преподавателям курса. Чтобы попросить преподавателя подключиться, отправьте обращение из диалога.

Проверка решения остаётся отдельным действием.