Задачи: двумерный гаусс
Статистический анализ данных
Задачи
Задача 1. Вероятность внутри эллипса
Для двумерного гауссова распределения
\[ D^2=(\mathbf X-\boldsymbol\mu)^{\mathsf T} V^{-1}(\mathbf X-\boldsymbol\mu) \sim\chi_2^2. \]
- Получите плотность \(D^2\) и покажите, что \[ P(D^2\leq c)=1-e^{-c/2}. \]
- Найдите \(c\) для областей с вероятностями \(68.3\%\), \(90\%\) и \(95\%\).
- Вычислите вероятность внутри контура \(D^2=1\).
- Сравните этот результат с одномерной вероятностью \(P(|Z|\leq1)\) и объясните различие.
Задача 2. Геометрия ковариационной матрицы
Даны средний вектор и ковариационная матрица двух измеренных энергий:
\[ \boldsymbol\mu= \begin{pmatrix}60\\40\end{pmatrix}\ \text{ГэВ}, \qquad V= \begin{pmatrix} 1.44&0.36\\ 0.36&1.00 \end{pmatrix}\ \text{ГэВ}^2. \]
- Найдите стандартные отклонения и коэффициент корреляции.
- Вычислите собственные значения и собственные векторы \(V\).
- Найдите длины и направления полуосей эллипса \(D^2=2.30\).
- Для точки \(\mathbf x=(61.2,41.0)^{\mathsf T}\) ГэВ вычислите \(D^2\) и определите, лежит ли она внутри области с вероятностью \(68.3\%\).
Задача 3. Объединение двух измерений
Одна величина измерена двумя способами:
\[ x_1=10.2\pm0.8, \qquad x_2=11.1\pm0.4. \]
- Найдите взвешенное среднее и его стандартное отклонение, считая измерения независимыми.
- Повторите расчёт для коэффициента корреляции \(\rho=0.6\).
- Выпишите оба веса во втором случае и объясните знак каждого из них.
- Проверьте, что ковариационная матрица положительно определена.
Задача 4. Инвариантная масса
Для двух безмассовых частиц
\[ m^2=2E_1E_2(1-\cos\theta). \]
Пусть \(E_1=60\) ГэВ, \(E_2=40\) ГэВ, \(\theta=0.200\) рад, а ковариационная матрица величин \((E_1,E_2,\theta)\) равна
\[ V= \begin{pmatrix} 1.44&0.36&0\\ 0.36&1.00&0\\ 0&0&2.5\cdot10^{-5} \end{pmatrix}. \]
- Найдите градиент \(m^2\) и вычислите \(\sigma_{m^2}\).
- Получите \(\sigma_m\) линейным распространением ошибки.
- Повторите расчёт при \(\operatorname{cov}(E_1,E_2)=0\) и сравните ответы.
- Исследуйте предел \(\theta\ll1\): получите приближённые выражения для \(m\) и его производных.