
- •1. Случайные события. Пусть в результате испытания единственно возможно появление n несовместных равновероятных событий e1, e2,…, En .
- •8. Плотность распределения вероятностей и ее свойства.Опр. Плотностью распределения вероятностей Случ величины называется производная функции распределения:
- •9. Математическое ожидание и его свойства.
- •Свойства Матем. Ожидание
- •10. Дисперсия и ее свойства. Дисперсией называется математическое ожидание квадрата отклонения случайной величины от своего мат. Ожидания.
- •13. Равномерное и показательное распределение.
- •11. Коэффициент корреляции и ковариация.
- •17. Выборочный метод.
- •12. Основные дискретные распределения случайных величин.1. Биноминальное распределение.
- •2. Распределение Пуассона.
- •3. Геометрическое распределение.
- •18.Эмпирическая функция распределения и её свойства. Также как и в теории вероятности для описания изучаемого признака строится эмпирическая функция распределения.
- •16. Центральная предельная теорема.Пусть - последовательность независимых случайных величин и закон распределения не известен.
- •29.Парный коэффициент корреляции, его свойства.
- •21. Точечное оценивание. Пусть вид распределения изучаемого признака X известен, но неизвестны значения входящего параметра (тетта).
- •25. Проверка статистических гипотез.
- •24 Распределение х2 Стьюдента и Фишера.
- •28. Парная регрессия.
18.Эмпирическая функция распределения и её свойства. Также как и в теории вероятности для описания изучаемого признака строится эмпирическая функция распределения.
Эмпирической
функцией распределения называется
относительная частота события Х<х,
nx-число вариант меньших x
n- объем выборки
nx /n – относительная частота события
В теории вероятности функция распределения определяла вероятность события Х<х. На основаниитеоремы Бернулли можно утверждать
Т.о. эмпирическая функция распределения строится для оценки вида теоритической функции распределения
Свойства:
1. для любого x
функция распределения
2. F(x) –неубывающая функция.
3.Если a=min{xi}, то для любого x≤а Fn(x)=0
Если b=max{xi}, то для любого x>b Fn(x)=1
4. Непрерывна слева.
15.Закон больших чисел. Случайная величина принимает значение, зависящие от многих причин, учесть которые не представляется возможным. Поэтому трудно предвидеть, какое значение примет она в результате опыта. Возникает вопрос, можно ли установить закономерности поведения для большого числу случайных величин. Закон больших чисел (ЗБЧ) показывает, сто средний результат при достаточно большом количестве испытаний утрачивает случайный характер и может быть предсказан с достаточно большой точностью. .Теорема Чебышева. Теорема Бернулли.
Теорема Чебышева: Если X1, X2,…,Xn – последовательность независимых случайных величин, имеющих конечные дисперсии, ограниченные одним и тем же числом С, то для любого ε >0 выполняется
Доказательство.
Введем в рассмотрение случайную величину – среднее арифметическое случайных величин
Найдем
матожидание
И дисперсию
Следовательно –
дисперсия конечная. Тогда к
применим неравенство Чебышева
Переходя к пределу
получим
А так как вероятность
не может быть больше 1, то предел равен
1.
Суть закона больших
чисел.Если число случайных величин
неограниченно растет, то их среднее
арифметическое утрачивает смысл
случайной величины и стремится к
постоянному числу равному среднему
арифметическому их матожиданий.
Следствием теоремы Чебышева является
теорема
Бернулли.Пусть
-
число появления события А в n
испытаниях в схеме Бернулли, и p
– вероятность появления А в одном
испытании. Тогда для любого
справедливо
-частота
появления события.Пусть
,
где
- число появления события А в i-ом
испытании. Дисперсия любой величины
равна
произведению pq,
так как p+q=1,
то p*q
не превышает ¼,
и следовательно
дисперсии всех величин ограничены
числом c=1/4.Применим
теорему Чебышева:
так как матожидание
равно вероятности наступления события.
Так как
равна относительной частоте появления
события А (m/n)(каждая
величина
1,
2,
n
при появлении события в соответствующем
испытании равна 1 и поэтому их суму равна
m),
то окончательно получим
,
что и т.д.
16. Центральная предельная теорема.Пусть - последовательность независимых случайных величин и закон распределения не известен.
ЦПТ – называется набор предположений, которые обеспечивают нормальный закон распределения для суммы этих случайных величин
Обозначим через
их сумму.
Говорят, что к
последовательности
применима
центральная предельная теорема
Частным случаем
ЦПТ является интегральная теорема
Муавра-Лапласса.
Теорема Муавра-Лапласа утверждает, что если речь не идет о редких событиях, то биноминальное распределение стремится к нормальному.
Сформулируем ЦПТ для одинаково распределенных случайных величин.
Пусть случ величины
независимо
имеют одинаковые М, D,
то к этой последовательности применима
ЦПТ.
Суть ЦТП
Если число случайных величин неограниченно растет, то закон распределения их сумма стремится к нормальному распределению независимо от того по какому закону распределены слагаемые.