- •Элементарные и сложные случайные события и операции над ними. Свойства операций.
- •Классическое определение вероятности события: конечное число равновозможных элементарных исходов.
- •Общее определение вероятности события (понятие о вероятностном пространстве).
- •Условная вероятность. Зависимые и независимые события.
- •Числовые характеристики одномерных случайных величин: начальные и центральные моменты, квантили. Математическое ожидание, дисперсия, медиана, квартили.
- •Биномиальное распределение.
- •Пуассоновское распределение.
- •Локальная и интегральная формула Муавра-Лапласа - аппроксимация биномиального и пуассоновского распределения с помощью нормального.
- •Поэтому вероятность того, что св отклонится от своего математического ожидания больше, чем на 3sigma, ничтожно мала (правило трёх сигм):
- •Оценка вероятности по частоте появления события. Интервал рассеяния и доверительный интервал. Планирование объема выборки для оценки вероятности при заданных значениях точности и надежности.
- •12. Нормальное (гауссовское) распределение. Кривая Гаусса, функция Лапласа.
- •Функция распределения и плотность вероятности для системы двух и более случайных величин. Безусловные и условные функции распределения, вектор математических ожиданий и матрица ковариаций.
- •Примеры построения оценок и доверительных интервалов для параметров распределений – биномиального, пуассоновского, нормального, равномерного, экспоненциального.
- •Проверка простых и сложных статистических гипотез: критическая область, p-value, односторонние и двухсторонние критерии, ошибки 1-ого и 2-ого рода, мощность критерия, множественные сравнения.
- •29. Проверка простой гипотезы для двух нормальных распределений с одинаковыми дисперсиями. Необходимый объем выборки для заданных ошибок 1-го и 2-го рода.
- •30. Линейный дискриминант Фишера – как пример проверки простой гипотезы для двух нормальных распределений с одинаковыми ковариационными матрицами.
- •31. Метод последовательного анализа Вальда, используемый для проверки простых гипотез. Преимущества и недостатки последовательной схемы в сравнении с обычным методом.
Оценка вероятности по частоте появления события. Интервал рассеяния и доверительный интервал. Планирование объема выборки для оценки вероятности при заданных значениях точности и надежности.
Если проведена серия из n испытаний, в каждом из которых могло появиться событие А, то частотой появления события А в данной серии испытаний называется отношение числа испытаний m, в которых появилось событие А к общему числу произведённых испытаний.
Предельная ошибка выборки — статистическая величина, определяющая, с определенной степенью вероятности, максимальное значение, на которое результаты выборки отличаются от результатов генеральной совокупности. Составляет половину длины доверительного интервала.
12. Нормальное (гауссовское) распределение. Кривая Гаусса, функция Лапласа.
Г рафик плотности вероятности нормально распределённой СВ носит название кривой Гаусса:
Нормальное распределение является симметричным, т.е. для него коэффициент асимметрии равен нулю. При таком распределении СВ её мода, медиана и математическое ожидание совпадают.
Функция распределения и плотность вероятности для системы двух и более случайных величин. Безусловные и условные функции распределения, вектор математических ожиданий и матрица ковариаций.
Теоремы о математическом ожидании и дисперсии.
Свойства математического ожидания и дисперсии, доказанные для ДСВ, остаются верными и для НСВ.
Функции случайных аргументов. Примеры – случайная величина хи-квадрат, униформизующее преобразование.
Центральная предельная теорема (без доказательства). Примеры ее применения.
Условия ЦПТ соблюдаются, поэтому СВ Y имеет приближённо нормальное распределение.
Многомерное нормальное распределение. Двумерное нормальное распределение. Линейная регрессия.
Основные распределения статистики – нормальное, хи-квадрат, Стьюдента, Фишера. Связи между ними.
Про нормальное распределение написано в вопросе №12
Про распределение хи-квадрат написано в вопросе №15
t-распределение Стьюдента — это непрерывное одномерное распределение с одним параметром - количеством степеней свободы. Форма распределения Стьюдента похожа на форму нормального распределения (чем больше число степеней свободы, тем ближе распределение к нормальному). Отличием является то, что хвосты распределения Стьюдента медленнее стремятся к нулю, чем хвосты нормального распределения.
Основные методы построения точечных оценок – метод моментов, метод максимального правдоподобия. Приближенное построение доверительных интервалов в методе максимального правдоподобия (без доказательства).
Методы нахождение точечных оценок:
Метод моментов состоит в приравнивании теоретических моментов эмпирическим моментам того же порядка.
Метод максимального правдоподобия. Оценкой максимального правдоподобия называют такую оценку, для которой функция правдоподобия достигает максимума.
На примере построения оценки для распределения Пуассона: