
- •1 Вопрос. Элементы комбинаторики: перестановки, размещения, сочетания. Примеры.
- •2 Вопрос. Классическое определение вероятности, случайные события, элементарные исходы. Свойства классической вероятности. Примеры.
- •5 Вопрос. Условная вероятность. Теорема о формуле полной вероятности, формулы Байеса.
- •7 Вопрос. Случайные величины: определение, функция распределения случайной величины и ее свойства, независимые случайные величины. Примеры.
- •8 Вопрос. Определения числовых характеристик дискретных и непрерывных случайных величин: математическое ожидание, дисперсия, мода, медиана, центральные и начальные моменты. Примеры.
- •9 Вопрос. Свойства математического ожидания и дисперсии дискретной случайной величины (с доказательствами).
- •10. Биномиальное распределение, вычисление математического ожидания и дисперсии
- •11. Геометрическое распределение. Распределение Пуассона. Вычисление основных
- •12. Непрерывные случайные величины. Вычисление математического ожидания и дисперсии для равномерно и нормально распределенных случайных величин
- •17. Статистические оценки и их свойства: несмещенность, эффективность и
- •18 Вопрос. Представление статистических данных. Полигон частот. Гистограмма. Примеры.
- •19 Вопрос. Доказательство несмещенности и состоятельности выборочного среднего. Исправленная выборочноая дисперсия.
- •23. Интервальная и точечная оценки вероятности биномиального распределения по
- •24. Основы регрессивного анализа. Метод наименьших квадратов.
- •25. В статистике рассматриваются гипотезы двух типов:
12. Непрерывные случайные величины. Вычисление математического ожидания и дисперсии для равномерно и нормально распределенных случайных величин
Непрерывная случайная величина Х имеет равномерный закон распределения на отрезке [а, b] если ее плотность вероятности ϕ(х) постоянна на этом отрезке и равна 0 вне его, т.е.
при
Кривая
распределения ϕ(х) и график функции
распределения F(х)
случ величины Х приведены на рис.
Теорема:
Функция распределения случайной
величины Х распределенной по равномерному
закону, есть
. Ее математическое ожидание
а
дисперсия
Н
епрерывная
случайная величинаХ имеет нормальный
закон распределения с параметрами а и
σ
2,
если плотность вероятности имеет вид:
Теорема: Математическое ожидание случ.величины Х распределенной по нормальн закону, равно параметру a этого закона, т.е. M(x)=a а ее дисперсия – параметру σ 2, т.е. D(x)= σ 2
Опр.2 Нормальное распределение с параметром N(0,1) наз-ся стандартным нормальным распределением.
;
Т.о. случ-я вел-на z
имеет станд. нормалное распределение
13. Функция распределения непрерывной случайной величины и ее свойства. Функция
плотности распределения. Мода, медиана. Начальные и центральные моменты. Примеры
Опр.1 Случ. вел-на Х наз-ся непрерывной, если её ф-ия распределения F(X) непрерывна в любой точке числовой прямой и диф-ма всюду, кроме, быть может, отдельных точек, где она терпит излом.
Опр.2. Плотностью распределения вероятностей непрерывной случайной величины называют первую производную от функции распределения: f(x) = F'(x).
Функция плотност и вероятностей непрер случ величины Х назыв производная от её функции распределения
Свойства плотности вероятности.
Свойство 1. Плотность распределения неотрицательна, т.е. f(x) ≥ 0. (как производная неубывающей ф-ии распределения)
Свойство
2.
Вер-ть попадания непрер-ой случ. вел-ны
в
равна
Док-во:
.
Но т.к ф-я распред-я явл-ся первообразной
для плотности (по опред.), то по ф-ле
Ньютона-Лейбница, приращ-е первообразной
на отрезке – это и есть опред-ый интеграл.
Свойство
3. Ф-ия
распределения непрер-ой случ. вел-ны
равна F(x) = ∫х–∞
f(x)∙dx.
Док-во:
F(X)=P{X<x}=P{–
<X<x}
и по св-ву 2 следует св-во 3.
Свойство
4.
Несобственный интеграл от плотности
распределения в пределах от -∞ до +∞
равен единице: ∫+∞-∞
f(x)∙dx
= 1. Док-во:
рассм-м
Опр.6. Модой М0(Х) непрерывной случайной величины Х называют ее наиболее вероятное значение
Опр.8. Медианой Ме(Х) непрерывной случайной величины Х называют то её возможное значение, которое определяется равенством: Р[X < Ме(Х)] = P [ X > Ме(Х)]=1/2
Геометрически медиану можно истолковать как точку, в которой ордината f(x) делит пополам площадь, ограниченную кривой распределения.
С понятием квантиля тестно саязано понятие процентной точки. Под 100%-ной точкой подразумевается квантиль Х1-q т.е. такое значение случ величины Х при котором P(X>= Х1-q)=q
Начальным
моментом k-
го порядка случайной величины Х
называется мат.ожидание k-
ой степени этой случайной величины
Центральным
моментом порядка k
случ.величины Х называется мат ожидание
k
степени отклонения этой случайной
величины от ее мат ожидания
Начальным моментом 1-го порядка V1=M(x)-мат. Ожид.
Центральн момент 1-го порядка
Центральный
момент 2-го порядка
-
дисперсия
Аналогично центральным моментам более высок.порядков выраж.через начальные моменты.
Центральный
момент 3-го порядка
характеризует
ассиметрию кривой распределения.
Ассиметрия.
,
G-
среднеквадратичное отклонение
Центральный
момент
характеризует крутизну кривой.
Безразмерная
величина
-
коэффициент эскцесса
Для
кривой нормального распределения
Для нормальной кривой E=0
14.Понятие о законе больших чисел. Неравенство Чебышева (с доказательством). Закон
больших чисел в схеме Бернулли.
Зако́н больши́х чи́сел в теории вероятностей утверждает, что эмпирическое среднее (среднее арифметическое) достаточно большой конечной выборки из фиксированного распределения близко к теоретическому среднему (математическому ожиданию) этого распределения. В зависимости от вида сходимости различают слабый закон больших чисел, когда имеет место сходимость по вероятности, и усиленный закон больших чисел, когда имеет место сходимость почти всюду.
Всегда найдётся такое количество испытаний, при котором с любой заданной наперёд вероятностью относительная частота появления некоторого события будет сколь угодно мало отличаться от его вероятности.
Общий смысл закона больших чисел — совместное действие большого числа случайных факторов приводит к результату, почти не зависящему от случая.
На этом свойстве основаны методы оценки вероятности на основе анализа конечной выборки. Наглядным примером является прогноз результатов выборов на основе опроса выборки избирателей.
Неравенство
Чебышева: Для
любой случайной величины, имеющей мат
ожидание и дисперсию, справедливо
неравенство Чебышева:
где a=M(x)
Неравенство Чебышева для некоторых случайных величин:
1.для случ величины Х=m? Имеющей биномиальный закон распределения с мат ожиданием а=M(x)=np и D(x)=npq
2/для
частости m\n
события в n
независимых испытаниях, в каждом из
которых оно может произойти с одной и
той же вероятностью a=M(m\n)=p
и имеющей дисперсию D(m\n)=pq\n
Закон больших чисел Бернулли.
Пусть
производится последовательность
независимых испытаний, в результате
каждого из которых может наступить или
не наступить событие А, причем вероятность
наступления этого события одна и та же
при каждом испытании и равна р. Если
событие А фактически произошло m раз в
n испытаниях, то отношение m/n называют,
как мы знаем, частотой появления события
А. Частота есть случайная величина,
причем вероятность того, что частота
принимает значение m/n, выражается по
формуле Бернулли (13):
Закон
больших чисел в форме Бернулли состоит
в следующем: с вероятностью, сколь
угодно близкой к единице, можно
утверждать, что при достаточно большом
числе опытов частота появления события
А как угодно мало отличается от его
вероятности, т. е.
иными словами, при неограниченном увеличении числа n опытов частота m/n события А сходится по вероятности к Р(А). (Доказательство)
Мы говорили (см. § 1, п. 1), что при большом числе испытаний частота Р*(А)=m/n события А обладает свойством устойчивости. Это обстоятельство находит свое объяснение в законе больших чисел Бернулли.
15, Теорема Чебышева (с доказательством). Центральная предельная теорема Ляпунова (без
доказательства). Примеры.
Теорема Чебышева: Если дисперсии n независимых случайных величин х1, х2.. ограничены одной и той же постоянной то при неограниченном увеличении числа n средняя арифметич случайных величин сводится по вероятности к средней арифметич их мат ожиданий а1,а2,…
Следствие: Если
независимые случайные величины
х1,х2,..имеюют
одинаковые математич ожидания =а, а их
дисперсии ограничены одной и той же
постоянной , то
Теорема Ляпунова.
Если
Х1,Х2…независимые случайные величины,
у каждой из которых существует мат
ожидание M(Xi)=a
, дисперсия D(Xi)=
σ 2
, абсолютный и центральный момент 3-го
порядка M(|Xi-ai|3)=mi
и
То
закон распределения суммы Yn=X1+X2+..
при n
стремящемся к бескон. Неограниченно
приближается к нормальному, с мат
ожиданием
и
дисперсия
Следствие: Если Х1,Х2…независимые случайные величины, у которых существуют равные мат ожидания M(Xi)=a , дисперсия D(Xi)= σ 2 и абсолютные и центральные моменты 3-го порядка M(|Xi-ai|3)=mi то закон распределения суммы Yn=X1+X2+.. при n стремящемся к бескон. Неограниченно приближается к нормальному закону .
16.Основные понятия математической статистики: генеральная совокупность, выборка,
выборочные характеристики. Методы отбора.
Генеральная совокупность — совокупность объектов, из которых производится случайный выбор объектов для исследования.
Выборочная совокупность — отобранные случайным образом объекты из генеральной совокупности.
Характеристики выборки:
Качественная характеристика выборки – кого именно мы выбираем и какие способы построения выборки мы для этого используем.
Количественная характеристика выборки – сколько случаев выбираем, другими словами объём выборки.