
- •Определение моментов случайной величины
- •Математическое ожидание и его свойства
- •Дисперсия и ее свойства
- •Коэффициент корреляции и его свойство
- •Производящая функция моментов
- •Характеристическая функция и ее свойства
- •Условное математическое ожидание случайной величины и его свойства.
- •Регрессия. Уравнение линейной регрессии
- •Производящая функция нормального распределения
- •Класс задач мат.Статистики
- •Основные понятия мат.Статистики
- •Повторная выборка
- •Частотный способ задания вероятности
- •Закон больших чисел
- •Теорема Муавра-Лапласа
- •Оценка числа необходимых наблюдений
- •Усиленный закон больших чисел
- •Несмещенность
- •Эффективность
- •Асимптотические свойства
- •Доверительные интервалы
Основные понятия мат.Статистики
(X, A, P) – статистическая структура, основное понятие мат.статистики
X – выборочное пространство, множество всех возможных результатов наблюдения
A – G-алгебра
P
,
где F(x,0)
– функция распределения изучаемой
случайной величины Х.
Статистика – любая измеримая функция наблюдений.
Повторная выборка
Выборка x1…xn – набор из n результатов эксперимента над случайной величиной Х.
Выборка x1…xn называется повторной, если :
Все элементы выборки одинаково распределены (имеют один и тот же распределительный закон): F(xi) = F(xj), i≠j
xi, xj – независимы при i≠j.
Частотный способ задания вероятности
В
наборе фиксированных условий с
вероятностью р происходит событие A
(все испытания независимы). Тогда
,
где n
– количество всех проведенных испытаний,
m
– испытания, результатом которых стало
наступление события А. Отсюда вероятность
наступления события A
выражается как
для любой непредвзято выбранной
последовательности.
Частота может рассматриваться как случайная величина Hn(A).
Закон больших чисел
Закон больших чисел 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.
Общий смысл закона больших чисел — совместное действие большого числа одинаковых и независимых случайных факторов приводит к результату, в пределе не зависящему от случая.
Пусть
есть бесконечная последовательность
одинаково распределенных и некоррелированных
случайных величин определенных на
одном вероятностном пространстве
:
.
-
выборочное среднее.
,
если
Закон
больших чисел:
,
т.е.
Теорема Муавра-Лапласа
Если при каждом из n независимых испытаний вероятность появления некоторого случайного события равна р (0<р<1) и m — число испытаний, в которых это событие фактически наступает, то вероятность неравенства близка (при больших n) к значению интеграла Лапласа.
Пусть
Тогда
Если
,
Оценка числа необходимых наблюдений
(1)
Требуется оценить n при любых ε, β, p
Приведем неравенство (1) к теореме Муавра-Лапласа:
При заданном β
корнем уравнения является
Если x>
,
то верно неравенство
=>
Следовательно,
если неравенство
решается для
,
то оно будет выполняться и для
=>
=>
Усиленный закон больших чисел
Пусть есть бесконечная последовательность одинаково распределенных и некоррелированных случайных величин определенных на одном вероятностном пространстве : .
- выборочное среднее.
, если
Усиленный
закон больших чисел:
,
т.е.
Вспомогательная случайная величина ^Х
Для случайной величины Х, распределение которой неизвестно, задается вспомогательная случайная величина ^Х:
х(1) – наименьший элемент выборки,
х(2) – наименьший элемент из оставшихся и т.д.
Каждому такому элементу ставится в соответствие вероятность р=mi/n, где mi – число раз, с которым х(i) встречается в исходной выборке.
^FX(x) – эмпирическая функция распределения исходной величины Х (рисуется ступеньками).
Выборочные аналоги
Распределение случайной величины Х неизвестно. ^X-характеристики = выборочные аналоги Х.
– функция
наблюдений(выборочное среднее).
- выборочная
дисперсия
Выборочный
аналог плотности – гистограмма:
Центральная предельная теорема
Если
x1…xn
одинаково распределены и независимы,
и для каждого из них существует
мат.ожидание E{xi}=а
и дисперсия D{xi}=G2,
то для них справедливо:
Д-о:
Разложим характеристическую функцию
величин xi-a
по формуле:
Тогда
.
Метод моментов
Если
функция распределения
зависит от s
параметров
,
то выборочные моменты
являются функциями от параметров
.
…
Если
данную систему можно разрешить
относительно
,
то получаем оценку неизвестных параметров
θ.
Оценки максимального правдоподобия
-
функция
максимального правдоподобия (если Х –
дискретная случайная величина)
Θ*
- оценка максимального правдоподобия
θ,
Поскольку
lnL
при фиксированных x1..xn
достигает
максимума при том же значении θ, что и
L,
для нахождения оценки можно решить
уравнение правдоподобия
Каждое решение уравнения правдоподобия, зависящее от x1..xn – оценка наибольшего правдоподобия для θ.