![](/user_photo/2706_HbeT2.jpg)
- •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.
Генерирование случайной величины подчиняющейся нормальному распределению.
Известен следующий факт: Сумма одинаково распределенных случайных величин ≈ подчиняется нормальному распределению, чем > слагаемых, тем лучше приближение.
Mξ = a, Dξ = δ2
На этом основан следующий метод генерирования нормально распределенный случайной величины
{Mη= ½,Dη= 1/12 для равномерного распределения на [0,1]}
Из практики известно, что при 6 слагаемых получается достаточное приближение.
Иногда используют аналогичный метод для 12 слагаемых
η- способ генерирования нормального распределения с параметрами [0,1]
(0,5) - параметры, они получаются из стандартного нормального распределения:
(3) ξнорм (0,5)= а + δ2* ξнорм (0,1)
(действительно проверим (3)):
Для стандартного нормального распределения:
Mξнорм (0,1)= 0,Dξнорм (0,1)= 1
отсюда:
M(ξнорм (а,δ))= {(3)}=a+δM(ξнорм (0,1)) = а
D(ξнорм (а, δ)) =D(a) +D(δξнорм (0,1)) = δ2*D(ξнорм (0,1)) = δ2
генерирование (равномерного распределения) случайной величины на отрезке [a,b]
(4) ξравн (a,b) = a + η (b – a)
§4 Генерирование траекторий случайных процессов.
Сначала рассмотрим Марковские цепи с дискретным t.
Пусть дана некоторая система, которая описывается матрицей переходов
необходимо генерировать траектории переходов этой системы от одного момента t0к другому, считая, чтоP0= (P01,P02,…P0k) - начальный моментt.
Необходимо генерировать траекторию вида Si0,Si1, …SiT. Это означает, что в начальный моментtсистема была вi0, потом перешла вi1 и т.д.
Генерирование траектории сводится к генерированию значений дискретных случайных величин. Для того чтобы найти состояние в нулевой момент t, генерируем случайную величину:
Значения |
S1 |
S2 |
… |
Sk |
Вероятности |
P01 |
P02 |
… |
P0k |
Пусть в нулевой момент tсистема находится вSiдля того чтобы определить в какое состояние система перейдет в следующий момент времени генерируем дискретные случайные величины.
Значения |
S1 |
S2 |
… |
Sk |
Вероятности |
P0i01 |
P0i02 |
… |
P0i0k |
Пусть система перешла в состояние Si1, переход в следующее состояние определяется аналогично при помощи строчкиi1матрицыP.
Анализ больших (длинных) траекторий позволяет оценить интересующие нас характеристики, в частности, связанными с предельными вероятностями, точнее предельные вероятности могут быть оценены следующим образом:
Пi=νi/T, где
Т - длина траектории
νi- количество моментов времени, когда траектория находилась в состоянииSi.
Пример:Пусть в некотором вузе студенты могут получать обычную стипендиюS1, повышеннуюS2и не получатьSn.
Пусть матрица переходов имеет следующий вид
Пусть также известно начальное распределение вероятности (0; 0,8; 0,2)
Допустим некто решил оценить средний размер стипендии за все годы обучения, для этого достаточно генерировать много траекторий вида: Si0,Si1, …Si9.
для каждой из них вычислить средний размер стипендии, затем это можно, вычислить для многих траекторий и усреднить.
Генерирование траекторий непрерывных случайных величин.
Мы будем рассматривать системы, которые описываются Марковскими процессами с непрерывным временем.
Пусть состояния системы (S1,S2,…Sk),λij- интенсивность перехода изi-того состояние вj-тое.i≠j.
λi- интенсивность выхода изi-того состояния
Тогда вероятность перехода из i-того стояния определяется равенством:
Pij=λij/Σλij
Затем после перехода в состояние Sj определяется время пребывания в этом состоянии, которое подчиняется экспоненциальному распределению с параметром λi.
Пример: Интенсивность вызовов в телефонном справочном бюро равнаλ, продолжительность 1 разговора подчиняется экспоненциальному распределению с параметром μ. Требуется определить долю времени, когда телефон занят.
Решение: будем генерировать длинные траектории, характеризующие этот процесс и по ним оценим нужную нам характеристику.
τi - подчиняется экспоненциальному распределению с параметром μ и генерируется при помощи (3.2).
ti- генерируется при помощи экспоненциального распределения с параметром 1/λ.
Пусть мы генерировали большую траекторию длины T, тогда доля времени, когда телефон занят равна Στi/T, аналогично находятся и другие характеристики.
Возможно, также моделировать процессы с непрерывным временем при помощи дискретных Марковских цепей. Это делается следующим образом: берем маленький отрезок времени δ и считаем, что все переходы проходят в моменты кратные δ. Считаем, что вероятность перехода из состояния SiвSjза время δ дается равенством:
Pij=λijδ
дальше моделируем этот процесс, как Марковскую цепь с матрицей.P= (Pij)