шпора
.doc
1 Обл практч деят и науки, где исп методы т.в. и мат.стат. Цель – опис, объясн и предсказ явлений действт на основе установл законовб что позвол находить решен в тпичных ситуациях Мат.стат. – изучает методы обработки результатов наблюдений массовых с.явлений, облад статистич устойчивостью, закономерностью, с целью выявл закономерности. Т.В. – логически изуч закономерн случ явлений и имеет дело с мат моделями с.в. Обл. практ.деят.: Различн отрасли естествознания и техники: - теор надежности; теор массового обслуж-я; теоретич. физика; геодезия; астрономия; теор стрельбы; теор ошибок наблюд; теор автоматич управл; общ. теор связи. +Обоснования мат.&прикладн статист: - планировка&орг-я пр-ва; анал технол проц; предупредит & прёимочный контроль кач-ва продукции. Основные понятия Т.В. и их соотнесения с соотв понятиями теор множ-в
-1- |
2.1 Ф-ии распред-я с.в. и их св-ва Пусть Х – с.в., Х:ℝ. Ф-ия распр-я с.в. Х = ф-я F:R[0;1],if x∈ℝ P(X≤x)=F(x),обознач. FX(x) x∈ℝ, 0≤FX(x)≤1 // ф-ия определенная вер-тью того, что с.в. Х в рез-те испыт <x. Свойства: I св-во: FX – неубывающая ф-ия. любая с.в.Х, x1,x2∈ℝ, x1<x2 имеет FX(x1)≤FX(x2) Д-во 1: A1={w∈: X(w)≤x1} A2={w∈: X(w)≤x2} FX(x1)=P(A1); FX(x1)=P(A1); заметим: A1∈A2 (т.1к. x1<x2) => P(A1)≤P(A2) => FX монотонно неубыв Д-во 2: A={X≤x2}={X<x1, P(A)=P(X<x1) || x1≤X<x2, P(A)=P(x1≤X<x2). по теореме сложения: P(X≤x2)= P(X<x1)+P(x1≤X<x2) => P(X≤x2)- P(X<x1)=P(x1≤X<x2) <=> F(x2)-F(x1)= P(x1≤X<x2) т.к. любая Р≥0, то F(x2)-F(x1)≥0 II св-во: с.в.Х lim FX(x)=0 // x-∞ Д-во:Пусть Х∈(a;b) x1<a => X<x1 невозможно (т.к. Х не приним значений <x1) => P (X<x1)=0
-3- |
2.2 Квантили и Мода Х- непрер с.в., fX ее ф-ия плотности, 0<p<1. Точка хp∈ℝ наз-ся квантилью порядка p с.в. Х, if ∫{-∞;∞}f(u)du=p Мода – т-ка лок мах ф-ии fX fX p
moda xp – квантиль Равномерное распределение Распр-е вер-ей наз Равномерным, if на интервале,к-ому ∈ все возм значения с.в. f(x)=const=C; f(x) ∫{a;b}f(x)dx=1; 1/(b-a) ∫Cdx=1 => C=1/(b-a) a b Функция распред-я системы с.в. /* двумерной */ Ф-ия FX(x,y…) опред-ую для каждй пары (тройки…) чисел x,y,… вер-ть того, что X<x и при этом Y<y… FXY…(x,y…)=P(X<x,Y<y…) Свойства ф-ии распр Y I св-во: Значения ф-ии (x;y) распр удовл: X 0≤F(x;y)≤1 Д-во: P всегда 0≤P≤1 II св-во: F(x;y) есть неубывающая ф-я по каждому аргументу: F(x2;y)≥F(x1;y), if x1<x2
-5- |
3.1 Числовые х-ки с.в. числа, к-рые описывают с.в. суммарно. Мат. ожидание сумма призв всех возм знач с.в. на из P: EX=∑{i=1;∞} xipi T. Пусть Х непр-ая с.в., fX- ее ф-я плотности, тогда EX=∫{-∞;∞}u·f(u)du Замечание: интеграл сх-ся Д-во: выберем x0<x1…<xk ∫u·f(u)du≈∫(x-0;xk}u∙f(u)du= =∑∫{xi-1;xi} u∙f(u)du ≈ ≈ ∑(xi-1+xi)/2∙∫f(u)du=∑[(xi-1+xi)/2]∙P(Ai) где Ai={xi-1≤X≤xi} Свойства EX: I св-во: EI=C Д-во: рассм С как дискр с.в., к-рая имеет одно возм знач и приним его с P=1 => E©=C∙1=C Замечание: С∙Х дискр с.в. (С=const, X-дискр. с.в., возм знач: Сx1,Cx2…; P(Cx1)=P(x1)=P1,… II св-во: E(CX)=C∙EX Д-во: пусть X с.в., задана законом распр вер-тей:
EX=Cx1p1+…Cxnpn= C∙(x1p1+…xnpn)= =C∙EX
-7- |
3.2 Дисперсия оценивает как рассеяны возможные знач с.в. вокруг ее EX Def: мат. ожид квадрата откл-я с.в.от ее мата ожид-я D(X)=E[X-E(X)]2=E(X2)-EX Т. Пусть Х – непр-я с.в., fX- ее ф-я плотности, тогда D(X)=∫{-∞; ∞}(u-E(X))2f(u)du. Свойства DX: I св-во: D(C)=0 Д-во:D(C)=E[C-E(C)]2=E[C-C]2=E(0)=0 => D(C)=0 II св-во: D(CX)=C2D(X) Д-во: D(CX)=E{(CX-E(CX))2}= =E{C2∙(E-E(X))2}=C2E[X-E(X)]2 III св-во: if X,Y – независимы D(X+Y)=D(X)+D(Y) Д-во: D(X+Y)= E[(X+Y)2]-[E(X+Y)]2= =E(X2+2XY+Y2)-[E(X)+E(Y)]2= =E(X2)+2E(XY)+E(Y2)-E2(X)-E2(Y)-2E(X)∙E(Y)={E(X2)- E2(X)}+{E(Y2)- E2(Y)}=D(X)+D(Y) Следствие 1: D(X+Y+Z)=D(X)+D(Y)+D(Z) Следствие 2: D(C+X)=D(X) III.1 св-во: if X,Y зависимы: D(X+/-Y)=D(X)+D(Y)+2Cov(X;Y) IV св-во: if X,Y – независимы D(X-Y)=D(X)+D(Y) Д-во: D(X-Y)=D(X)+D(-Y)= D(X)+ +(-1)2D(Y)= D(X)+D(Y) Т. D(X) числа появления события А в n независ испыт, в кажд из к-рых p появл соб =const, q=1-p D(X)=npq
-9- |
4 Условные вероятности PH(A)=P(A|H) – вероятность события А при условии, что событие Р уже произошло P(A|H)=P(A∩H)/P(H) Формула полной вероятности Т. Вер-ть события A, r-рое может наступить лишь при условии появления одного из несовместных событий Bi, (i1бююют), образующих полную группу = P(A)=∑P(Bi)∙P(A|Bi) Д-во: появл события А означает осущ-е любого из несовмест событ: Bi∙A. По теореме слож-я P(A)=∑P(Bi∙A). По теор умнож-я: P(Bi∙A)=P(Bi)∙PBi(A). Получаем: P(A)=∑P(Bi)∙PBi(A) Формулы Байеса позвол переоценить вер-ти гипотез после того, как станов извест результ испыт, в итоге к-рого появ событ А. Вывод ф-лы: (*)P(A)= ∑P(Bi)∙PBi(A); по теор умнож: P(ABi)=P(A)PA(Bi)=P(Bi)PBi(A) => PA(Bi)=P(Bi)PBi(A)/P(A); подстав P(A); PA(Bi)= P(Bi)PBi(A)/ ∑P(Bi)∙PBi(A);
-11- |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
6 Нормальное распределение -распр-е вер-тей непрер с.в., к-рое описывается плотностью:
определяется двумя параметрами: a,σ (среднее кв-ческое отклон)
EX=a Д-во: EX=[1/σ√(2π)]∙∫x∙e^[-(x- μ)2 /2σ2 ]dx //{-∞;∞} замена: z=(x-μ)/σ => x=σz+μ; dx=σ∙dz получим //{-∞;∞} EX=σ/σ√(2π)∙∫(σz+μ)∙e^[-z2 /2]dz= =[1/√(2π)]∙∫σz∙e^[-z2 /2]dz+ //=0, нечет +[μ /√(2π)]∙∫e^[-z2 /2]dz //=μ, ∫ Пуас D(X)=σ2 Д-во: DX=[1/σ√(2π)]∙∫(x-μ)2∙e^[-(x-μ)2 /2σ2 ]dx замена: z=(x-μ)/σ => x=σz+μ; dx=σ∙dz //{-∞;∞} DX=[σ2/√(2π)]∙∫z∙ze^[-z2 /2]dz по частям: u=z; dv=z∙ e^[-z2 /2]dz D(X)=σ2 => σХ=σ Стандартное нормальное: a=0; σ=1 f(x)стандарт=[1/√(2π)]∙ e^[-x2 /2] F(x)стандарт=[1/√(2π)]∙∫e^[-z2 /2]dz σ=1 f(x) Кривая Гаусса σ=3 σ=7 0 1 x -13- |
Св-во стационарности(однородн) – вер-ть появл k событий на любом промеж-ке врем зависит только от числа k и от длит-ти промеж-ка. Св-во отсутствия последствий (независ от предыстории) – вер-ть появл k событий на любом пормеж-ке врем не завис от прошлого. (т.е. условкая вер-ть появл k событий выч-ая при любых предполож о том, что происходило раньше = безусловной. Св-во ординарности: появл 2 и более событий за o(1) промежуток времени невозможно. Интенсивность потока λ – ср-ее число событий, к-ое появл в ед-у времени. Pt(k)=(λt)k∙e-λ/k! t- длительность k- кол-во появл события λ- постоянная интенсивность событий
8 Экспоненциальное (показательное) распределение описывается плотностью: f(x)= { 0 при x<0 1 f(x) { λe-λx при x≥0
x__ F(x)= { 0 при х<0 1 F(x) { 1-e-λx при х≥0 Вер-ть попадания в интервал (а,b) экспон распр с.в.: P(a<X<b)=e-λa- e-λb Д-во: т.к. P(a<X<b)=F(b)-F(a) EX=λ∙∫{0;∞}x∙e-λxdx=1/λ=σ DX=λ∙∫{0;∞}x2∙e-λxdx – 1/λ2=1/λ2
-15- |
Функция расп функции с.в. Х – с.в.; f(x) φ(x) Y=φ(X); FY(y) FY(y)=P{Y<y}= B =P{ φ(X)<y} B={Y<y} AB= φ-1(B) FY(y)=∫{A;..}fX(x)dx= =∫{ φ(X)<y;..}fX(x)dx
9 Основной прием мат статистики Набору чисел (наблюдений) х1,х2…хn ставится в соотв набор с.в. Х1,Х2,…Хn χ2 распределение Хi ~N(0;1) (i=1,2,…n) –независ; тогда χ2=∑Xi2 распределена α по закону χ2 с k=n степенями свободы. χ2α (k) If эти велич свзаны //квантиль пор-ка k одним линейным соотношением (напр ∑Xi=nЙ, то число степ своб k=n-1 f(x)= { 0 при x≤0 { 1/[2k/2Г(k/2)]∙ e-x/2∙x (k/2) -1 при x>0 Где Г(х)=∫(0;∞)tx-1∙e-tdt – гамма ф-ия в частности: Г(n+1)=n! t - распределение (Стьюдента) X~N(0;1); Y~χ2(k) – независ от X, Тогда T=X/√(Y/k) ~t(k) α/2 k∞, t(k)N(0;1)
-tα/2(k) tα/2(k)
-17- |
Лемма: в простой случ выборке cov(Xi,Xj)={ σ2 при i=о { σ2/(N-1) при i≠j Д-во: пусть i=j; Cov(Xi,Xi)=D(Xi)= E(Xi2)-(EXi)2=1/N ∙∑{j=1;m}n∙ζJ-μ2= =1/n ∙ ∑{l=1;N}xl2 - μ2=σ2 Пусть i≠j; E(Xi,Xj)=E(XiXj)-E(Xi)∙E(Xj)= = E(XiXj)- μ2 … T. При простой случ выборке D(X)=[σ2/n]∙ [N-n]/[N-1] Д-во: D(X)=D(1/n ∙ ∑Xi)= =1/n2 ∙ ∑{i=1;n}∑{j=1;n}cov(Xi;Xj)= =1/n2 ∙ ∑D(Xi) + +1/n2∙∑{i=1;n}∑{j=1;n}cov(Xi;Xj)… 11, 13 Статистические оценки Найти статистич оценку неизвестного параметра теоретич распр= найти ф-ию от наблюд с.в., к-рая дает приближ-ое знач оцениваемого парам-ра. => это ф-ия от наблюд с.в. Θˆ - статистич оценка Θ – оцениваемый параметр Свойства оценок: Несмещенность – мат ожид-я оценки (Θˆ)совпадает с истинным значением параметра: E(Θˆ)= Θ Смещенная оценка – E(Θˆ)≠Θ Состоятельность – при n∞ Θˆ Θ (например if D(Θˆ)0 при n∞) ξ>0 сущ n(номер выборки): lim{P| Θn- Θ|<ξ}=1; Θn=Θ(X1,X2,…Xn) Эффективность – при заданном объеме выб-ки (n) имеет наименьшую дисперсию. If Θ1^ , Θ2^ стат оценки, E(Θ1^)= Θ; E (Θ2^)= Θ; D(Θ1^)<D(Θ2^), то оценка Θ1^ более эффективна
-19- |
Закон больших чисел (Т.Бернули) If в каждом из n независимых испыт вер-ть p появления событ А = const, то вер-ть того, что отклонение относительной частоты от вер-ти p по абсолютной величине будет сколь угодно малым, if число испытаний достаточно велико, как угодно близка к 1. Т.е. ε=o(1)>0, + усл теоремы, n∞ => lim P(|m/n – p|<ε)=1 Д-во: Xi- число появл событ в i-ом испыт. Xi={1 or 0}, с вер-ми p и 1-p. Испыт независ (по усл)=> попарно независ; D(Xi)=pq≤1/4 (т.к. p+q=1) =>O(1) => можно use Чебышева. Пусть E(X1)=E(X2)=…=a. Тогда: lim P(|(∑Xi)/n – a|<ε)=1; где a=p Т.к.Xi при появл событ в соотв испыт =1, то ∑Xi =m (появл событ в n испыт) => P(|m/n – p|<ε)=1 14 Методы построения оценок Метод моментов приравнивание теор моментов рассматр распред-я эмпирическим моментам того же порядка. μi= μi^, i=1,..l; l- числ оцен-ых парам. /* Начальный теоретич момент: μk=E(Xk) Начальный выборочный момент: μk^=1/n ∙ ∑xik */
-21- |
Для выборочных отнош и для вер-ти успеха в испыт 1) n – велико, для p^ p^=X/n ~ N (p; p(1-p)/n); Z=[p^-p]/ √[p(1-p)/n] ~ N(0;1) 1-α=P{|Z|<zα/2}= =P{p- zα/2∙ √[p(1-p)/n]<p^<p+…} 2) -//- p^ ~ N (p; p^(1-p^)/n); Для дисперсии N ген.сов. 1) μ – неизв, σ^ - изв; Xi~N(μ;σ2) (n-1)σ^2/σ2 ~ χ2(n-1) 1-α= P{ χ2n-1;1-α/2<(n-1)σ^2/σ2< χ2n-1;α/2}= =P{(n-1)σ^2/χ2n-1;α/2<σ2<(n-1)σ^2/χ2n-1;1-α/2 Для разности средних двух ген.сов. 1) n1=n2; распред любое X1,…Xn , EX=μx Y1,…Yn , EY=μY пары: (X1Y1),…(Xn,Yn).Узнать: μx=?μY di=Xi-Yi /* разность */ ~N можем посчитать: d^ // выб-ое среднее σd^2 – выб-ая дисперсия. d^ ~N(μx-μY; σd2/n); // σd^2 – оценка для каждого di // σd2 – дисперсия [d^ - (μx-μY)]/ [σd^/√n] ~ t(n-1) 1-α={d^ - tn+1,α/2∙ σd^/√n< μx-μY< d^ + +tn–1,α/2∙ σd^/√n} 2) n1≠n2, N a) σ2 – знаем (X,Y); μ – не знаем Й~N(μx;σХ2/nX); Ў~ N(μY;σY2/nY); Й-Ў~N(μx- μY; σХ2/nX+σY2/nY); Z=[(Й-Ў)- (μx- μY)]/ √[σХ2/nX+σY2/nY]~N 1-α=P{|Z|<zα/2}= P{Й-Ў-zα/2∙√[σХ2/nX+σY2/nY]< μx- μY<...} б) n>30; σ2 – неизв; μ – неизв; ищем < μx- μY<, но все σ σ^
-23- |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
5 Схема Испытаний Бернулли Pn(k)=Cnk∙ pk∙qn-k pkqn-k - вер-ть одного сложного события , соств том, что в n испытаниях событ А наступит k раз и не наступит n-k (по теор умнож-я) Cnk – кол-во сложных событий (кол-во сочетаний из n эл-ов по k эл-ов) Биномиальное распределение -распределение вер-тей ,определяемое формулой Бернулли. Событие А: 0 or 1. p=const; X- число появлений событ А. X: x1=0; x2=1;…xn+1=n
Приближенные формулы Муавра-Лапласа Локальная теорема Лапласа if p=const≠0; ≠1; n – большое Pn(k) – А появ в n испыт ровно k раз Pn(k)≈Y:
Интегральная теорема Лапласа if p=const≠0; ≠1; Pn(k1,k2) – что событ А появ не менее k1 и не более k2 раз в n испыт
x’=(k1-np)/√(npq) x”= (k2-np)/√(npq)
-12- |
Д-во: Рассм с.в. Х- число появл А в n независ испыт. X=∑Xi, где Xi- чило наступл соб А в i-ом исп. Xi взаимонезавис, => D(X)=∑D(Xi); D(Xi)=E(Xi2)-[E(Xi)]2; E(Xi)=p; E(Xi2)=12∙p+02∙q=p => D(Xi)=p-p2=p∙q D(X)=n∙p∙q Среднее квадратическое отклонение σ(X)=√D(X) Т. Среднее квадратическое отклонение суммы конечного числа взаимнонезав с.в. σ(∑Xi)= √ [∑σ2(Xi)] Ковариация Cov(X,Y)=E[(X-E(X))(Y-E(Y))] Cov (X,X)=D(X). if X,Y независимы, cov(X,Y)=0 (Обратное неверно) I св-во: cov(x1+x2,y)=cov(x1,y)+cov(x2,y) II св-во: cov(α∙x,y)= α∙cov(x,y) III св-во: cov(x,c)=0 Корреляция в предположении,что bX>0; bY>0 Corr(X,Y)=Cov(X,Y)/σXσY |Corr(X;Y)|≤1 if |corr(X;Y)|=1, значит Y=k∙X+b Моменты с.в. Момент порядка k с.в. Х – это E(Xk): ∫{-∞;∞}ukf(u)du Центральный момент порядка k с.в. Х E[(X-E(X))2] ∫{-∞;∞}(u-E(X))kf(u)du
-10- |
III св-во: Y, X – независ с.в.; E(XY)=EX∙EY Д-во:
E(XY)=y1g1(x1p1+x2p2)+y2g2(x1p1+x2p2)= =EX∙EY Следствие: X,Y,Z – независ с.в. E(XYZ)=E(XY)∙E(Z)=EX∙EY∙EZ IV св-во: E(X+Y)=E(X)+E(Y) Д-во:
E(X+Y)=(x1+y1)p11+…(x2+y2)p22= (p11+p12)x1+(p21+p22)x2+(p11+p21)y1+ +(p12+p22)y2. Докажем, что p11+p12=p1 A1: {X=x1}=>P(X=x1)=p1 влечет А2; А2: {X+Y=x1+y1 || X+Y= x1+y2} P(A2)=p11+p12 (по теореме слож-я) и обратно => p11+p12=p1. Аналог-но ост. p21+p22=p2; p11+p21=g1; p12+p22=g2 E(X+Y)=x1p1+x2p2+y1g1+y2g2=EX+EY Следствие: E(X+Y+Z)=EX+EY+EZ T. EX числа появл события А в n независ испыт = EX=n∙p, где n- число испыт; p- вер-ть появл событ в кажд испыт. Д-во: X- число успехов в n испыт; Хi – число успехов в i-ом исп. Х=∑Xi; EX=∑EXi; EXi=p, т.к. EX числа успехов в одном испыт = p (т.к. X: {x1=1;x2=0} => EX=p∙n -8- |
Д-во: Докажем, что F(x;y) неубыв по х A: {X<x2 && Y<y}=> (1) P(X<x1;Y<y) (2) P{x1≤X≤x2; Y<y) по теор сложения получим: P(X<x2 && Y<y)= P(X<x1;Y<y)+ +P{x1≤X≤x2; Y<y) => P(X<x2;Y<y) – P(X<x1;Y<y) = =P{x1≤X≤x2; Y<y) OR F(x2;y)-F(x1;y)=P(x1≤X≤x2; Y<y). т.к. P≥0=> F(x2;y)≥F(x1;y) III св-во: F(-∞,y)=0; F(x,-∞)=0; F(-∞;-∞)=0; F(∞;∞)=1 Д-во: см. невозм-ть и достов-ть событ IV св-во: F(x; ∞)=F1(x); F(∞;y)=F2(y) Д-во: Y<∞ дост-но=>F(x; ∞)=P(X<x) Условные распред-я Усл распр составляющей Х при Y=yi назыв совок-ть усл вер-тей p(x1|yi), … p(xn|yi), вычис-ых в предпол, что событие Y=yi (i=const) уже наступило P(xj|yi)=P(xj;yi)/P(yi) //j=1,2,…n Независимость с.в. if закон распр одной из них не зависит от того, какие возм знач-я приняла дрю В противном случае: завис. Взаимонезавис – if законы распр любого числа из них не зависят от того,какие возмзнач приняли ост. Произведение независ XY: x1y1,x1y2,…xnyn. При этом вер-ти значений равны: Px1*Py1,…Pxn*Pyт. If x1y2=x3y5, то P(x1y2) =P(x3y5)=Px1Py2+ +Px3Py5
-6- |
III св-во: с.в.Х lim FX(x)=1 // x∞ Д-во: Пусть Х∈(a;b) x2≥b => X<x2 достоверно (т.к. все возм знач X<x2) => P(X<x2)=1 IV св-во: Любая с.в. X x∈ℝ ф-ия FX непрерывна справа в точке х. Непрерывные с.в. 1) if ее ф-ия распр FX(ч)есть непрер, кусочно-диффер ф-ия с непрерывной произв 2) if с.в. имеет ф-ию плотности Ф-ия плотности и ее св-ва Пусть Х- с.в., FX – ф-ия распр с.в. Х и пусть сущ. непрерывная ф-ия f: ℝℝ, такая, что х∈ ℝ сущ-т произв F'(x) и F'(x)=f(x). Тогда f наз-ся функцией плотности с.в.Х. Обознач fX(x) Свойства: I св-во: Любая с.в. Х, х∈ℝ, f(x)≥0 Д-во: Ф-ия распр неубывающая ф-ия => ее произв F'(x)=f(x)≥0 II св-во: с.в. Х ∫fX(x)dx=1 // (-∞;∞) Д-во 1: Несобств интеграл выражает вер-ть событб сост в том, что с.в. Х примет знач (-∞;∞). Такое событие достоверно => P=1 Д-во 2: ∫/*(a;b)*/ f(x)dx =F(a)-F(b) => : ∫/*(-∞;∞)*/ fX(x)dx =1-0=1
-4- |
- прост-воэлем событ – множ-во всех элем-ых событийб к-ые могут появ-ся ={w1 ,…wn} // wi – элем-ные событ-я (точки пространства) Событие – явление, к-рое происх в рез-те осущ-я к-л определ комплекса усл Испытание=Опыт – осущ-е комп-а усл Случ. Велич.- в результ опыта может принимать то или иное знач-е, неизв заранее, но обязат одно. Независ с.в. Х1…Хn- if a1,…an и b1,…bn: -∞≤ai≤bi≤∞ независимы собятия A1,…An // Ai={w ∈ aiXi(w)≤bi} События: - независимые – пусть A,B . If P(A∩B)=P(A)·P(B); - случайные – может произ-ти или не произ-тив рез-те испыт - достоверное – 100% произойдет - неозм-ое – 100% не произ-т - несовмеснтые – если появл одного искл появл др. - совместные – не искл - противопол (=взаимо дополн) – if появл одного вкл появл др. - благоприятствующ – if появл одного влечет появл др. - полная группа событий – if в рез-те испыт-я обязано произойти хотябы одно из них и любый 2 из них несовместны. - равновозм – if нет оснований считать к-л из них более возм,чем др.
-2- |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3) ~N; σX=σY=?, μ=?, nX≠nY Й~N(μX; σ2/nX); Ў~ N(μY; σ2/nY); Й-Ў ~N(μX - μY; σ2/nX + σ2/nY); t=[(Й-Ў)-( μX - μY)]/σ^∙√[( nX+nY}/nXnY] ~t*( nX+nY-2) //σ^2=[(nX-1)∙σX^2+(nY-1)∙σY^2]/nX+nY-2 1-α=P{|t|<tnX+nY-2; α/2} Для разности пропорций при больших выборках Xi , Yi – принимает знач 0,1 X – кол-во успехов в I выб-ке Y – кол-во успехов в II выб-ке PX,PY – вер-ть успехов P^X=X/nX, P^Y=Y/nY // выб-ое отнош P^X ~ N(PX; [P^X(1- P^X]/nX) P^Y ~ N(PY; [P^Y(1- P^Y]/nY) P^X –P^Y ~ N(PX –PY; [P^X(1- P^X]/nX + +[P^Y(1- P^Y]/nY) Z= [(P^X –P^Y)-(PX –PY)]/ [P^X(1- P^X]/nX +[P^Y(1- P^Y]/nY ~ N(0;1) 1-α=P{|Z|<zα/2}
-24- |
Метод максим. правдоподобия Функция правдопод. дискретной с.в. L(x1,x2,…xn; Θ)=p(x1; Θ)p(x2; Θ)… где x1,.. – fix числа. Θ* - оценка наибольшего правдоподобия. Ищется из dL/dΘ=0 или d lnL/dΘ=0 + d2lnL/dΘ≤0 Функция правдоподобия непрер с.в. Дано: f(x), но не известен Θ, к-рым она определ. L(x1,x2,…xn; Θ)= f(x1; Θ)f(x2; Θ)…
15 Интервальные оценки определяется двумя числами: концами интервала. Доверительный интервал If 1-α =P{a< Θ<b}, то (a;b) – (1-α)∙100% д. и. для Θ Для генеральной совокупности (μ) 1) Для среднего N ген.сов. при σ – изв; X1,…Xn – генер сов-ть; Xi~N(μ;σ2); Й=1/n ∙ ∑Xi ~N(μ;σ2/n); Z=[Й-μ]/[σ/√n] ~N(0;1); //центр, норм 1-α=P{|Z|≤zα/2}=P{[Й-μ]/[σ/√n]<zα/2}= =P{|Й-zα/2∙σ/√n <μ< Й+…} 2) Для среднего ген.сов. при n>30 σ^ - изв, EXi=μi; Й=1/n∙∑Xi~N(μ;σ2/n); σ^2=1/(n-1)∙ ∑(Xi2-nЙ2) 1-α=P{|Й-zα/2∙σ^/√n <μ< Й+…} 3) Для сред. N ген.сов. при σ – неизв и n<30; σ^2=1/(n-1)∙ ∑(Xi-Й)2; t=[Й-μ]/[σ/√n] ~tn-1 1-α=P{|t|<tn-1;α/2}= =P{|Й- tn-1;α/2∙σ^/√n <μ< Й+…}
-22-
|
12 Генеральная дисперсия Dг – ср арифм квадр отклон значений признака генер совок от их ср значения йг. Dг=∑{i=1;N}(xi-йг)2/N or =∑{i=1;k}Ni∙(xi-йг)2/N Выборочная дисперсия DВ ср арифм квадр отклон наблюд значений признакаот их ср знач йВ DВ=[∑(xi-йВ)2]/n or =[∑ni(xi-йВ)2]/n T. Дисперсия равна среднему квардов значений – квадрат общей срденей D=й2-[й]2 13 Точечные оценки - оценка, определяющаяся одним числом. Неравенство Чебышева If X1,X2… - попарно независимые с.в., причем дисперчии их равномерно огр (не превышают С=const), то как бы мало ни было положительное число ε, вер-ть нер-ва |(∑Xi)/n – (∑EXi)/n| < ε будет как угодно близка к 1, если число с.в. достаточно велико. Д-во: Пусть Й=(∑Xi )/n; EЙ=(∑EXi)/n имеем: P(|Й-EЙ|< ε)≥1-DЙ/ ε2, <=> P(|Й-(∑EXi)/n |< ε)≥1-(∑DXi)/ n2ε2 по усл: D(Xi)≤C =>DЙ=(∑DXi)/ n2≤C/n имеем: P(|Й-(∑EXi)/n |< ε)≥1-С/nε2 при n∞ lim P(…)=1 Смысл Т.Чебышева: среднее арифм достаточно большого числа независ с.в. утрач-т характер с.в.
-20- |
F- распр-е (Фишера-Снедекора) X,Y – назавис с.в. X~χ2(m); Y~χ2(n); Z=[X/m]/[Y/n] ~F(m;n) ~ график χ2 f(x)= { 0 при x≤0 { C0[x(m-2)/2]/[(n+xm) (n-2)/2] при x>0 // С0=[Г([m+n]/2)mm/2nn/2]/[Г(m/2)Г(n/2)
10, 12 Генеральная совокупность, выборка Исслед-е выборк-и (Survery Sampling): Генер сов-ть – мн-во, содерж n элем-ов Генер средняя йг– среднее ариф-ое значений признака генер совокупности йг=(∑xi )/ N or =(∑xiNi)/ N; //Ni- частоты Е(Х)=йг Выборочная средняя йв– среднее арифметич значение признака выборочной сов-ти. йв=(∑xi)/ n or =(∑xini)/ n; Выборка: 1. подмнож, сост из n эл-ов; 2. процедура извлеч n Эл-ов 3. набор наблюд х1,х2…хn 4. набор с.в. Х1,Х2,…Хn μ=1/N ∙ ∑xi – среднее по ген совок-ти Й =1/n ∙∑Хi – выборочное среднее σ2=1/N ∙∑(xi-μ)2 – дисперсия по ген. сов σ2=1/(n-1) (xi-й)2 – выборочная дисп-я Простая случайная выборка это такая процедура, при к-рой любые n эл-ов из генер совок-ти могут быть выбраны с одной и той же вер-тью Т. в простой случ выборке EX=μ Д-во: E(Xi)=∑{J=1;m} ζJ∙P(Xi= ζJ) =∑ ζJ ∙ nJ/N=1/N=∑ ζJ ∙ nJ= =1/N∙∑{l=1;N}xl=μ E(Й)1/n ∙ ∑{i=1;n}EX=μ -18- |
Бета распределение f(x)=[xα-1(1-x)β-1]/B(α;β) B(α;β) – нормирующий множитель, бета функция. f(x) B(α;β)=∫{0;1}xα-1(1-x)β-1dx EX=α / (α-β) DX=αβ/[(α +β)2∙(α+β+1)] 0 1 x Гамма распределение f(x)=[xα -1e-x/β ] / [βα ∙Г(α)] Г(α)=∫{0;∞}tα-1∙e-tdt – гамма ф-ия Г(n)=(n-1)! EX=αβ; DX=αβ2 Геометрическое распределение P(X=k)=qk-1p p- появл событ А в каждом испыт Испытания заканчиваются, как только появ событие А (в k-ом испытании) X- дискр с.в., числ испыт до 1го появ А P(X=k)=qk-1p // геом прогрессия. EX=p; DX=q/p2 Отрицательное биномиальное распр P{X(k)=x}=Cx-1k-1pk(1-p)x-k) p- появл событ А в каждом испыт X(k) – число испыт до появл k-ого успеха. Гипергеометрическое респр P(X=m)=[СmM∙ Сn-mN-M ]/CnN Имеем: N изделий, из них M стандарт. Бывираем любые n и ищем P(X=m), где m – станд-ые из n. СmM – способами извлекаем m из M (cт) Сn-mN-M- Cп-ми берем n-m из N-M (нест) СmM∙ Сn-mN-M- число благопр исходов
-16- |
T. ∫e^[-x2 /2]dx=√2π Т. Каждая из функций
является ф-ией плотности. Д-во: y=(x-μ); 1/[σ∙√2π]∙∫e^[-(x-μ)2/2σ2]dx= =1/[σ∙√2π]∙∫e^[-y2/2]dy=1 // {-∞;∞} T. //S- централ момент с.в. Х~N(μ, σ2) при S>3 μ3=(S-1)σ2∙μ3-2 Центральная предельная теорема If c/d/X представл собой сумму оч большого числа взаимнотезавис с.в.,влияние каждой из к-рых на суму ничтожно мало, то Х имеет распр-е, близкое к нормал.
7 Распределение Пуассона n – велико, p – мало (≤0,1) n∙p=λ => ср. число успехов в различн сериях испыт (при разл n) одинак Pn(k)=λke-λ/k! Д-во: по Бернулли: Pn(k)=[n(n-1)...(n-[k-1])/k!]∙pk(1-p)n-k= =[n(n-1)...(n-[k-1])/k!]∙(λ/n)k(1-λ/n)n-k≈ ≈lim{n∞}[n(n-1)...(n-[k- -1])/k!]∙(λ/n)k(1-λ/n)n-k=(λ/n)klim(1-λ/n)n∙ ∙lim(1-λ/n)-k= [λk/k!]∙e-λ Простейший поток событий: Поток событий - посл-ть событий, к-рые наступают всл моменты времени: поступл вызово на АТС… Простеший (пуассоновский) поток событий – облад св-вами стационарности, отсутсвия посл, ординарности.
-14- |