![](/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.
Глава III Проверка статистических гипотез.
§1 Основные понятия и терминологии.
Многие задачи и проблемы реальной жизни могут быть сформулированы как гипотезы.
Например:до нового года курс доллара достигнет 40 рублей; работа за компьютером более 5 часов в день приводит к близорукости через 2 года.
Многие гипотезы такого типа проверяются по экспериментальным данным, базируясь на методах математической статистики и теории вероятности.
Однако математическая статистика изучает не вообще всякие гипотезы, а только те которые могут быть сформулированы как предположение о параметрах законов распределения, в том числе и многомерных (включая предположение, взаимной зависимости случайных величин).
В математической статистике гипотеза обычно обозначается как: H0,H1,H2…
Например:
H0= {доля студентов ни разу не пересдававших экзамен на курсе не меньше}
H1= {рост студентов подчиняется нормальному распределению}
H2= {чемпион мира по шахматам будет Каспаров}
H0- можно точно сказать, что статистическая
H1- можно уточнить
H2- не статистическая
Определение.Статистическая гипотеза называется простой, если она касается только одного параметра, а все остальные параметры распределения неизвестны. В противном случае гипотеза называется сложной.
Пример:
H0= доля студентов, посвящающих лекции по математике = 0, 9
H1= время работы телевизора подчиняется экспоненциальному распределению сλ= 1/4
H2= вес студентов 2-ого курса подчиняется нормальному распределению ≈ 70 кг
Решение:
H0- при небольшом уточнении может рассматриваться как простая, при условии, что второй параметр - число студентов на потоке - известен
H1- простая, потому что всего один параметр
H2- сложная гипотеза, т. к. у нормального распределения 2 параметра и о значении 2-го ничего не известно.
Статистическая гипотеза проверяется по выборочным данным, которые обозначаются через x1,x2, …,xn.
При проверке статистических гипотез
обычно используется следующая схема:
рассматривают 2 гипотезы H0иH1, взаимно
исключающие друг друга, причемH0=(H1=
).
Одна из гипотез обычно обозначаемая
черезH0называетсяосновной, а другая называетсяальтернативной. По результатам
наблюдений, т.е. по выборке надо принять
одно из двух решений:
1) гипотеза H0принимается (H1- отвергаются)
2) гипотеза H0отвергается в пользуH1.
Например:
гипотеза H0= {доля студентов, которые за 5 лет не пересдавали экзамены > 0, 6},H1= {…<=0,6}
При проверке статистических гипотез возможны ошибки двух типов:
Ошибка первого рода:
выполняется гипотеза H0, а на основе данных принята гипотезаH1.
Ошибка второго рода:
выполняется гипотеза H1, а на основе данных принята гипотезаH0.
Схематический пример:
Пациент пришел на прием к врачу. H0= {пациент здоров},H1= {пациент болен}. Ошибка первого рода происходит, если здорового приняли за больного, ошибка второго рода - если на оборот.
Сама процедура проверки гипотез по выборочным данным называется статистическим критерием, при этом всем множество возможных (выборочных) значений разбивается на две части
при этом S0∩S1=
иS0US1= множество всех
возможных значений.
Если (x1,x2, …,xn) єS0, то принимаемH0
Если (x1,x2, …,xn) єS1, то отвергаем в пользуH1, эта схема проверки статистических гипотез
Само правило называется статистическим критерием.
Конечно, хотелось бы сделать вероятность обеих ошибок (1-го и 2-го рода) маленькой. Однако это не всегда возможно, что определяется сутью дела. Потому что при малых объемах выборки мы имеем мало информации по изучаемой случайной величине.
В математической статистике принята следующая схема:
1) Вероятность ошибки первого рода обычно заранее фиксируется, как правило, она обозначается через α и называется уровнем значимости критерия.
Другими словами:
(1)α =P{x1,x2, …,xn}єS1{H0- истина}
2) Величина ошибки второго рода обозначается через β:
(2)β =P{x1,x2, …,xn}єS0{H1- истина}
величина (1 - β) - мощность критерия
В математической статистике стараются находить критерии, которые при фиксированном α обладают > мощностью (т.е. ошибка 1-го рода фиксирована,. а величина ошибки 2-го - наименьшая).
Обычно уровень значимости α= 0,05; 0,01 или 0,005 (или меньше), причем его величина зависит от важности задачи; в медицине маленький, в экономике и технике 0,05.