- •Глава 1. События.
- •§1 Логические основы т.В.
- •§2 Испытания, события, операции над событиями.
- •§3 Классическое определение вероятности.
- •§3 Примеры вероятностных пространств.
- •§4 Условные вероятности. Формула умножения событий.
- •§5 Независимые и зависимые события.
- •Независимость попарная и независимость в совокупности Определение попарной независимости
- •Определение независимости в совокупности.
- •§6 Формула полной вероятности и формула Байеса. Формула полной вероятности
- •Формула Байеса
- •Глава II
- •§1 Формула Бернулли
- •Формула Бернулли
- •§2 Предельные теоремы Бернулли
- •Формула Лапласа или интегральная формула Лапласа
- •Глава 3. Случайные величины.
- •§1 Определения и основные понятия.
- •§2 Дискретные случайные величины.
- •1. Распределение Бернулли
- •2. Биноминальное распределение
- •3. Распределение Пуассона
- •4. Геометрическое распределение
- •1. Равномерно распределение.
- •2. Показательное или экспоненциальное распределение:
- •3. Распределение Коши
- •4. Нормальное (Гауссово) распределение
- •1) Распределение Бернулли
- •§2 Специальные функции математической статистики.
- •1 Распределение Стьюдента
- •2 Распределение Карла Пирсона
- •Свойства случайной величин с симметричной (четной) плотностью распределения.
- •§3 Доверительные интервалы для генеральной средней нормального распределения
- •2) Построение доверительного интервала для неизвестного генерального среднего в случае неизвестной дисперсии
- •§4 Доверительные интервалы для дисперсии.
- •§5 Доверительный интервал для неизвестной вероятности успеха.
- •III Математическая статистика.
- •Глава I Оценки параметров.
- •§1 Основные понятия.
- •§2 Точечные оценки параметров.
- •Свойства оценок
- •Другие два важных свойства оценок состоятельность и эффективность.
- •§3 Методы построения точечных оценок параметров.
- •Метод максимального подобия построения оценок.
- •Оценка параметров нормального распределения.
- •Оценка параметров геометрического распределения.
- •Оценка параметров экспоненциального распределения.
- •Оценка параметров распределения Пуассона.
- •Метод Монте-Карло.
- •§1 Основные определения и понятия.
- •§2 Генерирование значений дискретных случайных величин.
- •§3 Генерирование случайных величин с непрерывным законом распределения (методы)
- •Генерирование случайной величины подчиняющейся нормальному распределению.
- •§4 Генерирование траекторий случайных процессов.
- •Генерирование траекторий непрерывных случайных величин.
- •I Марковские процессы с дискретным временем.
- •§1 Основные понятия.
- •Основное свойство матрицы перехода дискретной цепи Маркова.
- •§2 Предельные теоремы.
- •Глава III Проверка статистических гипотез.
- •§1 Основные понятия и терминологии.
- •§2 Проверка гипотез о значении генеральной средней нормально распределенных случайных величин.
- •1) Построение критерия для проверки h0 против h1 при известном δ
- •2) Построение критерия для проверки гипотезы h0 против h1, при δ - не известном.
- •1) Параметр a известен
- •2) Проверка гипотезы о значении дисперсии, когда генеральное среднее а не известно.
- •§4 Проверка гипотезы о значении генеральной доли.
- •§5 Проверка гипотеза о достоверности различий средних значений.
- •§6 Критерий к. Пирсона. Хи-квадрат для проверки гипотез о законе распределения.
- •2 Примеры использования критерия χ2.
- •3 Применение критерия χ-квадрат для исследования вопроса о зависимости ил независимости признаков.
Оценка параметров нормального распределения.
Для нормального распределения (непрерывного) плотность дается равенством:
(*)
Будем считать, что а и б не известны и найдем их оценки методом правдоподобия:
Из (*) и (5) получаем функцию maxправдоподобия
для завершения первого шага выпишем Lпо(7)
2шагнаходим частную производную
∂L/∂Q= 1/(2δ2)∑2(xi–a) = 1/(δ2) ∑2(xi–na)
∂L/∂δ= -n/δ– ½δ-3(-2) ∑(…)2= -n/δ+ 1/(δ3) ∑(xi–a)2
переходим к 3ому шагу, находим а*, δ*, дающие максимумL
приравняем к нулю второе уравнение
- n/δ+ (1/δ3) * ∑(xi–a*)2= ∑(xi- )2=>
δ*2= (1/n) * ∑(xi- )2
получим оценки для параметров нормального распределения:
(9) a*=
δ*2=S2
Оценка параметров геометрического распределения.
Это дискретное распределение.
P(ξ=j) =Pqj-1,j= 1,2,3…
Где j- неизвестный параметр.
1шагпо (6) находим функцию правдоподобия.
для завершения первого шага найдем логарифмическую функцию подобия
L(x1,…xn,P) = n lnP + ∑(xi – 1) ln(1 – P)
2 шаг находим ∂L/∂P:
∂L/∂P = n/P – (∑(xi – 1)) / (1 – P)
3шаг:находим максимум, приравнивая к нулю ∂L/∂P
n(1 –P) =P*∑(xi– 1) =P*∑(xi–n)
P*=n/ ∑xi= 1/x
Получили P* = 1/x
Пример:некто каждый раз после зарплаты покупал билеты лотереи СПРИНТ до тех пор, пока не выиграет 1 билет. Через 0,5 года он выяснил, что:
1раз - купил 8 билетов
2 - 10 билетов
3 - 6 билетов
4 - 11 билетов
5 - 4 билета
6 - 13 билетов
надо оценить по этим данным вероятность выигрыша по одному билету. Мы знаем, что вероятность выигрыша одна и та же, эти события независимы, значит, число купленных билетов подчиняется геометрическому распределению и для оценки неизвестной вероятности Pможно использовать
Найдем по нашей выборке:
= 1/6 *( 8 + 10 + 6 + 11 + 4 + 13) = 52 / 6 = 26 /3
P*= 3/26 ≈ 0,115
Оценка параметров экспоненциального распределения.
Это непрерывное распределение с плотностью:
1шаг:
L(…) = nlnμ – μ ∑xi
2шаг: ∂L/∂μ = n/μ - ∑xi
3шаг: n/μ = ∑xi = 0 = ∂L/∂μ
μ* = n / ∑xi = 1/
совпадает, т.е. в данном случае метод maxправдоподобия и метод моментов дают одну и ту же оценку и это бывает часто.
Оценка параметров распределения Пуассона.
P{ξ=j} = (λj /j!) *e- λ,j= 0,1,2…
1 шаг:
Находим Lпо(7)
L(…) = - λn + (∑xi) ln λ + ln ()
∂L/∂λ = -n + ∑xi / λ
3 шаг: ∂L/∂λ = 0 =>
(12)λ*=
Для распределения равномерно на (a,b) справедливы следующие оценки:
(13)
Мы нашли оценки для биномиального распределения, где nиpнеизвестны. Однако, часто встречается ситуация, когдаn- известно, аp- неизвестно, т.е. известны число испытаний, но не известна вероятность успеха в одном испытании.
Рассмотрим этот случай:
число испытания (известно)
вероятность успеха в одном испытании (неизвестно)
найдем
2 шаг:
3 шаг:
(1 – P) ∑xi=pnN-p∑xi
P*= (1/N) * (∑xi/n)
(14) P*= /N
Особенно важен частный случай, когда N= 1, в этом случае получаемP*= . Когда,N= 1, тоxi= 0 или (успех или неудача), поэтомубудет равна числу успехов, если обозначить эту сумму или число успехов черезkполучаем:
P*= ∑xi/n=k/n
(15) P*=k/n
Пример:спортсмен выстрелил по цели 20 раз, а попал 15 раз, определить вероятность попадания при 1-ом выстреле
Решение: P*= 15/20 = 0,75
До сих пор мы встречаем примеры, когда метод maxправдоподобия и метод моментов дают одинаковые оценки, теперь мы рассмотрим пример, где это не так.
Пример: некто впервые попал в неизвестный город, и первый встречный трамвай был с 13 . Надо по этим данным оценить количество маршрутов в этом городе.
Найдем оценку число маршрутов двумя методами (моментов и maxправдоподобия).
Считаем, что в этом городе присваиваются последовательно без пропусков.
IРассмотрим сначала метод моментов:
Дана выборка x1объемом 1, предположим, что число маршрутовθ, и они заполняют интервал [1,2,3 …θ]. Считая, что вероятность того, что встреченный трамвай с номеромiравна 1/θ.
Для применения метода моментов найдем:
1 шаг: Mξ = 1/θ * 1 + 1/θ * 2 + … + 1/θ * θ =
2 шаг: = x1
3 шаг: Mξ = x1, (θ + 1) / 2 = x1 => θ* = 2x1 – 1
Число моментов = 25
IIНайдем оценку методом правдоподобия.
Г(x1,θ) Мы найдем сразу максимум этой функции, используя ее график.
Мы видим, что максимум при θ = 13, т.е θ*= 13
Мы видим, что оценки отличаются почти вдвое.
Однако здесь различие такое большое, потому что выборка мала, при больших объемах выборки оба метода дают близкое значение