
- •Основное правило комбинаторики. Перестановки, размещения, сочетания. Бином Ньютона
- •Классическое определение вероятности события, свойства вероятности
- •Теорема сложения вероятностей
- •Условная вероятность. Теорема умножения вероятностей
- •Независимые события. Несовместные события. Полная группа событий
- •Формула полной вероятности
- •Формула Байеса
- •Случайные величины. Типы случайных величин. Закон распределения вероятностей случайной дискретной величины. Многоугольник распределения
- •Аксиоматическое, статистическое и геометрическое определение вероятности
- •Гипергеометрическое распределение
- •Геометрическое распределение
- •Распределение Пуассона; параметры
- •Числовые характеристики дискретных случайных величин, их свойства
- •Биномиальное распределение; параметры, числовые характеристики
- •Начальные и центральные теоретические моменты. Асимметрия и эксцесс
- •Функция распределения вероятностей одномерной случайной величины (дискретной и непрерывной). Основные свойства функции распределения. Геометрическая интерпретация
- •Числовые характеристики непрерывной случайной величины
- •Мода, медиана, квантили, квартили и децили распределения
- •Нормальное распределение (распределение Гаусса)
- •Нормированное нормальное распределение. Функция Лапласа. Правило 3 сигм
- •Интегральная теорема Лапласа
- •Неравенство Чебышева
- •Закон больших чисел (теорема Ляпунова)
- •Теорема Бернулли
- •Центральная предельная теорема
- •Основные понятия математической статистики
- •Понятие оценки параметра, общие требования к оценке параметра
- •Выборочная оценка математического ожидания, ее свойства
- •Метод моментов для точечной оценки параметров распределения
- •Метод максимального правдоподобия
- •Выборочная оценка дисперсии, ее свойства
- •Функция плотности распределения вероятностей одномерной случайной величины, свойства функции плотности. Геометрическая интерпретация
- •Равномерное распределение (дискретный и непрерывный случай)
- •Вариационные ряды
- •Основные выборочные числовые характеристики
- •Графическое представление вариационного ряда (эмпирическая функция распределения, гистограмма, полигон частот)
- •Оценки метода максимального правдоподобия параметров нормального распределения
- •Оценка метода максимального правдоподобия параметра p биномиального распределения
- •Интервальные оценки
- •Доверительный интервал и доверительная вероятность
- •Доверительный интервал для математического ожидания нормально распределенной величины при известной дисперсии
- •Доверительный интервал для математического ожидания нормально распределенной величины при неизвестной дисперсии
- •Доверительный интервал для дисперсии нормально распределенной случайной величины
- •Статистическая гипотеза. Проверка статистических гипотез. Нулевая гипотеза, альтернативная гипотеза. Примеры статистических гипотез
- •Ошибки 1-ого и 2-ого рода. Статистический критерий. Уровень значимости и мощность критерия
- •Критическая и допустимая области. Общая схема проверки гипотезы
- •Проверка гипотезы о числовом значении математического ожидания нормального распределения при известной дисперсии
- •Проверка гипотезы о числовом значении математического ожидания нормального распределения при неизвестной дисперсии
- •Проверка гипотезы о равенстве дисперсий двух нормальных распределений
- •Проверка гипотезы о равенстве математических ожиданий двух нормальных распределений при известных дисперсиях
- •Проверка гипотезы о числовом значении вероятности события
- •Проверка гипотезы о равенстве математических ожиданий двух нормальных распределений при неизвестных, но равных дисперсиях
- •Сравнение двух вероятностей биномиальных распределений
- •Критерий согласия 2 Пирсона
- •Начальные и центральные моменты вариационного ряда
- •Методы получения точечных оценок параметров распределения
Критерий согласия 2 Пирсона
Пусть Fмод(x; 1, …, s) – некоторое модельное распределение. Критерий согласия используется для проверки нулевой гипотезы вида H0: FX(x) Fмод(x; 1, …, s) на основании выборки наблюдений X: x1, x2, …, xn. Различают 2 случая: 1. непрерывный (ИВР) и 2. дискретный (ДВР). См. приложение №2.4. 1. k – кол-во интервалов группирования; ni – кол-во наблюдений, попавших в i-ый интервал (Ci-1-Ci] – наблюдаемая частота; n – объем выборки наблюдений; Fмод(x; 1, …, s); (с крышкой) = (1, 2, …, s – все с крышкой) – вариационный ряд оценок неизвестных параметров Fмод(x; 1, …, s); Pi( с крышкой) – вероятность для X принять значение в i-ом интервале. Pi( с крышкой) = P(Ci-1 < X Ci) = Fмод(Ci, с крышкой) – Fмод(Ci-1, с крышкой). npi( с крышкой) = niT – теоретическая (ожидаемая) частота. X2=(k | i=1) (ni-niT)2 / niT. 2. k – кол-во различных наблюдаемых значений. Pi( с крышкой) = P(X=Zi) = Fмод(Zi+1; с крышкой) – Fмод(Zi; с крышкой). Если H0 – действительно истина, то x22(k-l-1), при этом n; l – кол-во оцениваемых параметров Fмод(x; с крышкой).
Начальные и центральные моменты вариационного ряда
Начальный момент k k-ого порядка вариационного ряда определяется по формуле k = ((m/i=1) xik*ni)/n. k = x (средняя арифметическая является начальным моментом 1-ого порядка вариационного ряда). Центральный момент k k-ого порядка вариационного ряда определяется по формуле: k = ((m/i=1) (xi – x)k ni)/n. 1=0, 2=S2 (центральный момент 1-ого порядка равен 0, а 2-ого порядка – дисперсии вариационного ряда). Коэффициент асимметрии характеризует скошенность распределения по отношению к математическому ожиданию: =3/3. Коэффициент асимметрии для симметричных распределений равен 0, т.к. 3=0. < 0 для распределения скошенных влево, > 0 – для скошенных вправо (например, показательное распределение). Коэффициент эксцесса характеризует островершинность распределения по отношению к нормальному: =(4)/(4)-3. Для нормального распределения (4)/(4)=3. > 0 для более островершинных, < 0 для менее островершинных распределений. Дополнение: средняя арифметическая x и дисперсия S2 (характеристики вариационного ряда) являются статистическими аналогами математического ожидания M(X) и дисперсии 2.
Методы получения точечных оценок параметров распределения
Метод моментов: определенное кол-во выборочных моментов приравнивается к соответствующим теоретическим моментам распределения случайной величины X. Метод max правдоподобия: в качестве нахождения оценки неизвестного параметра принимается такое значение, которое максимизирует функцию правдоподобия. Метод наименьших квадратов: оценка определяется из условия минимизации суммы квадратов отклонений выборочных данных от определенной оценки.