
- •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
Основные понятия математической статистики
Математическая статистика – это раздел математики, основная задача которого – оценить характеристики генеральной совокупности по выборочным данным.
Генеральная совокупность – это весь мыслимый набор данных, описывающих какое-либо явление; строгое определение: это случайная величина X(), заданная на пространстве элементарных событий с выделенным в нем полем событий S, для которых указаны их вероятности P. Более краткое определение: это генеральная случайная величина X() и связанное с ней вероятностное пространство (, S, P). Выборка объема n – это совокупный результат n независимых наблюдений за генеральной случайной величиной. Конкретная выборка x1, …, xn – это конечная последовательность чисел – реализации случайной величины X(). Случайная выборка – это последовательность X1, …, Xn независимых одинаково распределенных случайных величин, распределение каждой их которых совпадает с распределением генеральной случайной величины. Распределение случайной выборки имеет вид FX1, …, Xn (x1, …, xn)=P{X1 < x1, …, Xn < xn}=П(n|i=1) P{Xi < xi}=П(n|i=1) FXi(xi).
Понятие оценки параметра, общие требования к оценке параметра
Оценкой параметра случайной величины называется функция от выборочных значений (с крышкой) (x1, …, xn), которая в некотором смысле близка к действительному значению . Качество оценки определяется по всему мыслимому набору конкретных выборок, т.е. по случайной выборке, а также по выполнению 3 основных условий (состоятельность, несмещенность, эффективность). Оценка (с крышкой) называется состоятельной, если она сходится по вероятности к действительному значению: n (с крышкой) . Несостоятельные оценки не используются. Оценка (с крышкой) называется несмещенной, если ее математическое ожидание равно действительному значению: M( с крышкой) = . Это свойство желательно, но не обязательно. Оценка (с крышкой) называется эффективной в определенном классе оценок (с крышкой), если она самая точная среди оценок этого класса, т.е. имеет минимальную дисперсию: D(*) = min( с крышкой с крышкой) D( с крышкой).
Выборочная оценка математического ожидания, ее свойства
Для случайной выборки математическое ожидание имеет вид: a (с крышкой) = 1/n*(n|i=1) Xi=X. Среднее арифметическое независимых одинаково распределенных случайных величин, имеющих дисперсию 2, сходится по вероятности к математическому ожиданию (следствие из закона больших чисел): X a => a (с крышкой) = X состоятельна.
Метод моментов для точечной оценки параметров распределения
Пусть закон распределения случайной величины X известен с точностью до числовых значений его параметров 1, 2, …, k => известен вид функции плотности fX(x, ), где =(1, 2, …, k), если X непрерывна, но числовые значения k параметров не известны. Найдем оценку (с крышкой) = (1, 2, …, k – все с крышкой) параметра , располагая выборкой x1, x2, …, xn. Пусть существует k начальных моментов, каждый из которых можно выразить через , и пусть такими моментами будут первый, второй, …, k-ый: 1, 2, …, k. Выразим каждый из них через : m=gm()={{(x) xm*P(X=x, ), если X дискретна, §(+|-) xm*fX(x, )*dx, если X непрерывна; m=1, 2, …, k}}. В системе m=gm (1, 2, …, k), m=1, 2, …, k число уравнений должно быть равным числу k оцениваемых параметров. Выразим каждый параметр m через 1, 2, …, k => m=hm(1, 2, …, k), m=1, 2, …, k. Заменим в полученном уравнении теоретические моменты 1, 2, …, k на вычисленные при большом n выборочные моменты 1, 2, …, k (все с крышкой). Оценками метода моментов параметров 1, 2, …, k называются оценки m(M) (с крышкой) = hm(1, 2, …, k - все с крышкой), m=1, 2, …, k, где j (с крышкой) = (n|i=1) xij / n, j=1, 2, …, k.