- •Лекция № 3 Введение. Классификация событий. Действия над событиями
- •2. События. Классификация событий. Пространство элементарных событий
- •4. Практические занятия
- •Лекция№5:Условная вероятность. Формула полной вероятности и формула Байеса. Независимые случайные события
- •1.1 Распределение Релея
- •1 Система двух случайных величин
- •1.Введение
- •4. Практические занятия
- •2.Элементы теории множеств.
- •2.1 Определение множества. Мощность множества. Подмножества.
- •2.2 Множества и подмножества.
- •2.3 Способы задания множеств. Универсальное множество.
- •2.4 Операции над множествами.
- •Практическое занятие №2
- •Тема: Основные понятия комбинаторики.
- •2. Перестановки, размещения.
- •3. Сочетания.
- •4. Разбиение на группы:
- •1. Введение
- •3. Алгебра событий
- •1. Введение
- •2. События. Классификация событий. Пространство элементарных событий
- •Примеры.
- •3. Алгебра событий
- •События Вi образуют полную группу событий, если
- •Особый интерес представляют полные группы несовместимых событий
- •План лекции:
- •2. Классический способ задания вероятностей.
- •3. Статистическая вероятность
- •4. Геометрическая вероятность.
- •Лекция№5
- •2. Формула полной вероятности.
- •3. Формула Байеса (теорема гипотез).
- •4. Независимые случайные события.
- •Контрольные вопросы и тесты
- •2 Закон распределения случайной величины.
- •3. Функция распределения
- •4. Плотность распределения случайной величины
- •Практическое занятие №1
- •1.Математическое ожидание , мода и медиана случайной величины
- •2. Моменты. Дисперсия. Среднее квадратическое отклонение.
- •3. Моменты высших порядков
- •Математическое ожидание, мода и медиана случайной величины
- •2. Моменты. Дисперсия. Среднее квадратическое отклонение.
- •3. Моменты высших порядков
- •Практическое занятие №1
- •5. Контрольные вопросы и задания
- •1. Биномиальное распределение
- •2. Распределение Пуассона
- •3. Простейший поток событий
- •1. Испытания (схема) Бернулли. Биномиальное распределение
- •Если ставить вопрос о появлении события а k-раз в n испытаниях в произвольном порядке, то событие представимо в виде
- •2. Распределение Пуассона.
- •3. Простейший поток событий
- •Задача 4
- •Задача 5
- •Задача 6
- •Практическое занятие № 2
- •5. Контрольные вопросы
- •1.1 Равномерное распределение вероятностей
- •1.2 Показательное (экспоненциальное) распределение
- •1.3 Нормальное распределение
- •Задача 1
- •Решение
- •Решение
- •Задача 4
- •Задача 6
- •Практическое занятие №2
- •2. Рекомендуемые фрагменты программ
- •1.1 Распределение Релея
- •1.1 Распределение Релея
- •1.2 Распределение Максвелла
- •1.3 Логарифмическое нормальное распределение
- •2. Функция случайной величины.
- •Практическое занятие №1
- •3. Рекомендации к выполнению.
- •Практическое занятие №2
- •Задача3
- •1 Система двух случайных величин
- •1 Система двух случайных величин
- •1.2 Плотность распределения двух случайных величин
- •1.3 Условные функция распределения и плотность распределения
- •1.4 Корреляция двух случайных величин
- •Аналогично имеем
- •2. Система произвольного числа случайных величин
- •Задача1
- •Практическое занятие №2 Тема: Исследование системы двух случайных величин
- •Так как под интегралом в (1) находится неотрицательная величина, то, выбросив из интервала интегрирования отрезок ав, мы значение интеграла не увеличим, т.Е.
- •2. Характеристические функции
- •Для дискретной случайной величины х с законом распределения
- •Свойства характеристической функции
- •3. Центральная предельная теорема
- •2. Числовые характеристики выборки
- •2.1. Выборочное среднее
- •Выборочная дисперсия
- •3. Статистический ряд. Статистическая функция распределения
- •4. Статистическая совокупность. Гистограмма
- •1. Оценка параметров
- •2. Метод наибольшего правдоподобия для нахождения оценок
- •3. Метод наименьших квадратов
1. Оценка параметров
По опытным данным (выборке) путем построения гистограммы или с помощью других средств можно попытаться построить вероятностную модель (определить закон распределения вероятностей). При этом выборочные данные позволяют уточнить детали вероятностной модели. Знание вероятностной модели дает возможность прогнозировать будущие события, что важно для принятия решений. В приложениях, как правило, относительные частоты, на что указывалось ранее, применяются только для грубой качественной оценки распределения генеральной совокупности. Обычно задаются определенным типом закона распределения генеральной совокупности (плотностью распределения)
f = f(x; a1, a2, ..., an)
и по данным случайной выборки (х1, х2, ..., хn) оценивают неизвестные параметры a1, a2, ..., an . Чаще всего параметрами являются генеральное среднее и дисперсия. В качестве оценки тогда используют выборочные характеристики: выборочное среднее и выборочную дисперсию.
Рассмотрим следующую задачу. Пусть имеется случайная величина Х (генеральная совокупность), закон распределения которой содержит один неизвестный параметр а (например, f = f(x, a)). Требуется на основании выборочных данных (х1, х2, ..., хn) найти подходящую оценку параметра а. С этой целью построим следующую модель. Пусть Х1, Х2, ..., Хn – независимые случайные величины, которые принимают соответствующие выборочные значения (для данной выборки значения х1, х2, ..., хn), и пусть случайная величина получена на основе случайных величин Х1, Х2, ..., Хn, то есть Будем считать, как и ранее, что случайные величины Х1, Х2, ..., Хn имеют один и тот же закон распределения с плотностью распределения вероятностей величины Х (генеральной совокупности) f(x). Тогда является случайной величиной, закон распределения которой зависит от n и от f(x). Для того, чтобы оценка имела практическую ценность она должна обладать следующими свойствами.
1. Несмещенность оценки. Оценка называется несмещенной, если ее математическое ожидание равно оцениваемому параметру генеральной совокупности:
В противном случае оценка называется смещенной и допускает систематическую ошибку. Так рассмотренное ранее среднее выборочное является несмещенной оценкой среднего генерального. В то же время выборочная дисперсия
- является смещенной оценкой генеральной дисперсии.
2. Состоятельность оценки. Оценка называется состоятельной, если она с увеличением объема выборки сходится по вероятности к параметру генеральной совокупности:
Это условие будет выполняться, если
и оценка является несмещенной. Доказательство основано на неравенстве Чебышева.
3. Эффективность оценки. Если составлять множество несмещенных и состоятельных оценок, то эти оценки будут иметь разные дисперсии. Ясно, что, чем меньше будет дисперсия, тем меньше будет вероятность грубой ошибки при определении приближенного параметра генеральной совокупности. Поэтому нужно выбрать такую оценку, чтобы ее дисперсия была минимальной:
Такая оценка называется эффективной.
При обработке экспериментальных данных необходимо руководствоваться сформулированными свойствами оценок.
В качестве примера покажем, что рассмотренные ранее оценки: выборочное среднее и выборочная дисперсия , являясь несмещенными, являются и состоятельными оценками. Действительно, так как, согласно закону больших чисел
то выборочное среднее является состоятельной оценкой.
Для того, чтобы показать, что выборочная дисперсия является состоятельной оценкой, покажем вначале, что смещенная оценка - состоятельная оценка. С этой целью запишем:
(14.1)
При n случайная величина стремится по вероятности к М(Х2), а выборочное среднее - к среднему генеральному mx. Тогда из соотношения (14.1) следует, что при n сходится по вероятности к величине М(Х2)-mx2=D(X)=2, которая является генеральной дисперсией. Тем самым доказана состоятельность оценки . Если теперь рассмотреть несмещенную оценку генеральной дисперсии то поскольку множитель стремится к единице при n , а стремится по вероятности к 2, то и оценка стремится по вероятности к 2, что доказывает состоятельность оценки .