- •В.В. Нешитой
- •Введение
- •1. Основные понятия теории вероятностей и математической статистики
- •1.1. Случайные события. Испытания. Относительная частота и вероятность
- •1.2. Виды случайных событий
- •1.3. Определения вероятности
- •1.4. Основные формулы комбинаторики
- •1.5. Теорема сложения вероятностей (несовместных событий)
- •1.6. Теорема умножения вероятностей (независимых событий)
- •1.7. Закон распределения дискретной случайной величины
- •1.8. Числовые характеристики дискретной случайной величины
- •1.8.1. Математическое ожидание
- •1.8.2. Свойства математического ожидания
- •1.8.3. Дисперсия дискретной случайной величины
- •1.8.4. Свойства дисперсии
- •1.8.5. Среднее квадратическое отклонение
- •1.8.6. Одинаково распределенные взаимно независимые случайные величины
- •1.8.7. Моменты (начальные, центральные) дискретной случайной величины
- •1.10.2. Плотность распределения
- •1.11. Числовые характеристики непрерывных случайных величин
- •1.12. Примеры непрерывных распределений
- •1.12.1. Нормальный закон
- •1.12.2. Показательный закон
- •1.12.3. Закон Вейбулла
- •1.13. Элементы математической статистики
- •1.13.1. Генеральная и выборочная совокупности. Вариационный ряд. Характеристики вариационного ряда
- •1.13.2. Статистическое распределение выборки. Полигон. Гистограмма. Эмпирическая функция распределения
- •1.13.3. Статистические оценки параметров. Точность оценки, доверительная вероятность (надежность)
- •1.13.4. Метод моментов для точечной оценки параметров распределения
- •1.13.5. Метод наибольшего правдоподобия
- •2. Вероятностная модель текста и ее исследование
- •2.1. Понятие математического ожидания случайной функции, нового события и кривой роста новых событий
- •2.2. Математическое ожидание случайной функции и кривая роста новых событий. Связь с законами распределения вероятностей разных и новых событий
- •2.3. Установление статистической структуры выборки по кривой роста новых событий
- •2.4. Восстановление кривой роста новых событий по статистической структуре выборки
- •2.5. Построение систем кривых роста и непрерывных распределений новых событий
- •Построение систем кривых роста и непрерывных распределений новых событий
- •3. Обобщенные распределения. Системы непрерывных распределений
- •3.1. Методы построения обобщенных распределений
- •3.2. Построение системы непрерывных распределений методом обобщения
- •3.3. Классификация обобщенных распределений
- •Распределения группы а
- •Распределения группы б
- •Группа симметричных распределений
- •3.4. Распределения функций случайного аргумента
- •3.5. Три основные и три дополнительные системы непрерывных распределений в.Нешитого
- •3.6. Обобщение систем непрерывных распределений
- •3.6.1. Обобщение систем непрерывных распределений по первому варианту
- •Обобщение систем непрерывных распределений по первому варианту на базе четырехпараметрической плотности p(t)
- •3.6.2. Обобщение систем непрерывных распределений по второму варианту
- •Обобщение систем непрерывных распределений по второму варианту на базе четырехпараметрической плотности p(t)
- •4. Оценивание параметров обобщенных распределений. Критерии для классификации кривых. Центральная предельная теорема
- •4.1. Метод наименьших квадратов
- •Значение функции распределения f(tc)
- •4.2. Метод наибольшего правдоподобия
- •4.3. Классический метод моментов
- •4.3.3. Симметричные распределения Ic–iiIc типов
- •4.3.4. Критерии для классификации распределений по методу моментов
- •4.4. Универсальный метод моментов
- •4.4.1. Расширение трех систем непрерывных распределений
- •4.4.2. Законы распределения суммы независимых случайных величин
- •4.4.3. Центральная предельная теорема для трех систем непрерывных распределений
- •4.4.4. Законы распределения среднего выборочного
- •4.5. Устойчивый метод
- •5. Выравнивание и прогнозирование статистических распределений
- •5.1. Выбор системы непрерывных распределений для выравнивания статистических распределений
- •5.2. Вычисление выравнивающей кривой распределения по статистическим данным
- •5.2.1. Выравнивание по классическому методу моментов
- •5.2.2. Выравнивание по универсальному методу моментов
- •5.2.3. Выравнивание по устойчивому методу
- •Показатели статистического распределения (snr2v08a)
- •Распределение 3-го типа с параметрами
- •5.2.5. Выравнивающее распределение среднего выборочного
- •5.3. Прогнозирование распределений
- •5.3.1. Первая система непрерывных распределений
- •5.3.2. Вторая система непрерывных распределений
- •Распределение населения страны по среднедушевому совокупному доходу, в % к итогу (Расчет по данным обследования 90 тыс. Семейных бюджетов)
- •5.3.3. Показатели стабильности и качества выборки
- •5.4. Ранговые распределения
- •5.4.1. Форма представления ранговых распределений
- •5.4.2 Универсальный закон рассеяния публикаций
- •5.5.3. Универсальный закон старения публикаций
- •5.4.4. Ранговые распределения лексических единиц
- •6. Временные (динамические) ряды
- •6.1. Методы выделения тренда
- •6.2. Построение кривых роста для выравнивания временных рядов
- •6.2.1. Построение кривых роста с заданными свойствами
- •6.2.2. Метод обобщения
- •6.2.3. Кривые роста на базе обобщенных распределений
- •6.3. Оценивание параметров кривых роста
- •6.3.1. Уравнение прямой
- •6.3.2. Экспонента
- •6.3.3. Обобщенная кривая роста
- •6.4. Прогнозирование временных рядов
- •6.4.1. Параметрический метод прогнозирования
- •6.4.2. Непараметрический метод прогнозирования
- •Заключение
- •Приложения Приложение 1
- •Приложение 2
- •Приложение 5 Основные сведения о программах
- •Литература
- •Содержание
- •Математико-статистические
- •Методы анализа
- •В библиотечно-информационной
- •Деятельности
1.8.5. Среднее квадратическое отклонение
Если извлечь из дисперсии квадратный корень, получим среднее квадратическое отклонение (обозначается σ(Х) или S(Х))
.
Размерность величины та же, что и случайной величиныХ.
Пример. По распределению
-
Х
2
3
10
р
0,1
0,4
0,5
требуется вычислить среднее квадратическое отклонение.
Решение.
Среднее квадратическое отклонение суммы взаимно независимых случайных величин равно
.
Доказательство.
Дисперсия суммы случайных величин равна
.
Тогда
.
1.8.6. Одинаково распределенные взаимно независимые случайные величины
Рассмотрим n взаимно независимых одинаково распределенных случайных величин Х1, Х2,…, Хn.
Для них среднее арифметическое равно
.
Докажем три положения [4]:
1. Математическое ожидание среднего арифметического n взаимно независимых одинаково распределенных случайных величин равно математическому ожиданию а каждой из величин
.
Доказательство:
.
2. Дисперсия среднего арифметического n взаимно независимых одинаково распределенных случайных величин в n раз меньше дисперсии D каждой из величин:
.
Доказательство:
Так как постоянный множитель можно выносить за знак дисперсии, возведя его в квадрат, то
.
3. (следует из п.2), т.е. среднее арифметическоеn взаимно независимых одинаково распределенных случайных величин имеет значительно меньшее рассеяние (враз), чем каждая отдельная величина.
1.8.7. Моменты (начальные, центральные) дискретной случайной величины
Начальный момент порядка r – это математическое ожидание случайной величины Хr
.
Например, начальные моменты первого и второго порядков равны
ν1=M(X); ν 2=M(X2).
Центральный момент порядка r задается формулой
,
при этом .
Центральный момент второго порядка представляет собой дисперсию.
Между начальными и центральными моментами существуют соотношения
Следовательно, формула для вычисления дисперсии может быть записана в виде .
1.9. Примеры законов распределения дискретных случайных величин
1.9.1. Гипергеометрическое распределение
.
В партии из N изделий М стандартных (М<N). Из партии отбирают n изделий (без возврата).
Случайная величина m – число стандартных изделий среди n отобранных имеет гипергеометрическое распределение. Оно широко используется в статистических методах контроля качества продукции.
1.9.2. Биномиальный закон
Если в гипергеометрическом распределении объем партии изделий увеличивать, то гипергеометрическое распределение будет приближаться к биномиальному закону (М/N=р)
.
Здесь выборка – с возвращением!
1.9.3. Закон Пуассона
Следует из биномиального при n→∞ и малой вероятности р (величина np – постоянная)
,
где np – среднее. При иq (или р) ≤ 0,1 закон Пуассона можно использовать вместо гипергеометрического.
1.10. Закон распределения непрерывной случайной величины
Может быть задан функцией распределения или плотностью распределения вероятностей некоторой случайной величины Х.
1.10.1. Функция распределения
Функцией распределения (интегральной функцией распределения) случайной величины Х называется функция F(х), значения которой равны вероятностям Р(Х<x)
F(x)=P(X<x)=P(–∞<X<x).
Из этого определения вытекают следующие свойства функции распределения:
0F(x)1.
F(b)F(а) при b>a, т.е. функция распределения – неубывающая.
P(aX<b)=F(b)–F(a).
, если распределение задано на всей числовой оси.
5. Если между двумя случайными величинами Х и Y существует функциональная зависимость Y=φ(X), причем, с ростом Х монотонно растет и Y, то их функции распределения равны [24]
F(x)=F(y)=F(φ(x)).
6. Если с ростом Х величина Y монотонно убывает, то
F(x)=1–F(y)=1- F(φ(x)).