- •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.
§2 Генерирование значений дискретных случайных величин.
Дана дискретная случайная величина ξ с рядом распределения:
значение |
x1 |
x2 |
x3 |
… |
xn |
вероятность |
P1 |
P2 |
P3 |
… |
Pn |
и дан датчик значений случайной величины подчиненной равномерному распределению на отрезке [0,1]
Надо написать программу, которая генерирует значения ξиспользуяη. Рассмотрим следующий алгоритм:
Cначала вычисляем:
(1)
Для получения значений ξiпоступаем следующим образом:
генерируем значение ηи находимi, для которой выполняется равенство
(2) Qi – 1<=η<=Qi
затем присваиваем генерируемое значение ξ:=xi
Утверждение. Описанный алгоритм корректный
надо доказать, что:
(3) P= {ξ=xi} =Pi
Где ξ порождается описанным процессом.
Мы знаем, что для равномерного на [a,b] распределения
(*)
P{ξ=xi} =P{Qi-1 <=η<=Qi} = {(*)} =Qi–Qi-1= (1) =Pi
Напишем фрагмент программы, реализующий этот алгоритм:
η := random
for i := 1 to n do begin
if η < Q[i] then begin
k := i
goto M
end;
end;
M:ξ:=x[k]
Очевидно, что время вычисления пропорционально числу выполнения цикла или числу проверки неравенств.
Пример:Случайная величина задана рядом распределения
Значения |
-1 |
0 |
2 |
5 |
Вероятности |
0,05 |
0,05 |
0,2 |
0,7 |
В соответствии с описанием вычисляем:
Q[0] = 0
Q[1] = 0,05
Q[2] = 0,1
Q[3] = 0,3
Q[4] = 1
Подсчитаем среднее время сравнений для приведенной выше программы
Среднее число проверок = 1 *0,05 + 2 * 0,05 + 3 *0,2 + 4 * 0,7 = 3,55
Задача:придумать алгоритм, у которого число сравнений меньше уменьшенного времени.
Очевидно, что tбудет меньше, если сначала будет самая большая вероятность, затем 2я и т.д.
В данном случае, мы предварительно преобразуем значение к виду,
Значения |
5 |
2 |
-1 |
0 |
Вероятности |
0,7 |
0,2 |
0,05 |
0,05 |
а затем как в алгоритме.
Очевидно, что время стало меньше, проверим на прежнем примере
1 * 0,7 + 2 * 0,2 + 3 * 0,05 + 4 * 0,05
время уменьшилось
Описанное выше, являются универсальным пригодным для любого распределения. Однако, в некоторых частных случаях можно использовать более простые методы, например пусть необходимо генерировать значение игральной кости. Очевидно, можно использовать следующее равенство:
(4)ξ :=η* 6 – округление до большего
В обще случае, если необходимо генерировать значение случайных величин можно использовать
(5) ξ :=η*n
Если же необходимо генерировать случайные величины от 0 до m, то
(6) ξ:=η* (m+ 1)
§3 Генерирование случайных величин с непрерывным законом распределения (методы)
Задача: надо генерировать значение непрерывной случайной величины ξ законом распределенияF§(x), используя значение равномерно распределенной случайной величиныηє [0,1].
Сначала мы опишем общий метод:
1) генерируется случайные значения так, что выполняется равенство при нахождениии выполняется равенство:
(1)=Fξ ()
значение генерируемой случайной величины и равно
Утверждение. Описанный метод корректен.
Доказательство: мы должны доказать, чтоξ- генерируемая подчиняется закону распределения случайной величины ξ, для этого следует показать, что у ξгенерта жеFξ(x), что и уξ.
Сначала заметим, что P{<y} =P{0 <=<=y} =F(y) –F(0) =
Получили:
(*) P{ < y} = y
Fξ генер (x) = P{ξгенер < x} = P{ < Fξ (x)} = {(*)} = Fξ (x)
Пример:(генерирование случайной величины, подчиняющейся экспоненциальному распределению).
λ= -ln(1 –η)
= - (1 /λ) *ln(1 -)
(1 - ) подчиняется тому же распределению, что и, поэтому можно упростить.
(2)= - (1 /λ) *ln()
Этот метод является общим, однако для многих случайных величин существуют специально более простые методы, не связанные с решением уравнения. Рассмотрим некоторые такие методы.