- •2. Классификация измерений и погрешностей измерений.
- •3. Формы представления погрешностей. Свойства случайных погрешностей.
- •4. Основные понятия теории вероятностей. Геометрическая вероятность.
- •5. Основные формулы комбинаторики. Примеры использования
- •6. Теорема сложения вероятностей и ее следствия
- •8.Формула полной вероятности. Формула Бейеса
- •9. Формула Бернулли. Примеры использования.
- •10.Дискретные и непрерывные случайные величины и их характеристики.
- •12. Свойства плотности и функции распределения вероятностей
- •13.Начальные и центральные моменты для дискретных и непрерывных случайных величин.
- •15. Закон больших чисел и центральная предельная теорема
- •17 Точечные и интервальные оценки.
- •18.Понятие доброкачественной оценки
- •19. Методы получения доброкачественных оценок. Метод максимального правдоподобия.
- •20. Равномерный закон распределения случайных величин
- •21. Биномиальный закон распределения
- •22. Локальная и интегральная теоремы Лапласа
- •23. Нормальный закон распределения случайных величин. M(X), d(X), σ.
- •24. Показательное (экспоненциальное) распределение. M(X), d(X), σ
- •26.Распределение Стьюдента
- •27. Распределение хи-квадрат. M(X), d(X), σ
- •28. Гамма распределение
- •29. Мешающие параметры, необходимость их выявления. Критерии Аббе и Граббса
- •30. Приближённые методы исследования ряда случайных величин на соответствие закону распределения.
- •31.Характеристики формы, их вычисление и суть
- •32. Графический критерий исследования ряда погрешностей на соответствие нормальному закону распределения
- •33. . Точные критерии исследования ряда случайных величин. Критерии Пирсона и Колмогорова.
- •34.Основные методы наименьших квадратов. Способы составления систем нормальных уравнений. Метод наименьших квадратов
- •35.Линейная и квадратичная аппроксимация. Построение линий тренда.
- •37.Полиномиальные преобразования при помощи функции нескольких переменных
- •38 . Оценка точности в методе наименьших квадратов.
- •39. Понятие веса. Классическая обработка неравноточных измерений
- •40.Классическая обработка равноточных измерений. Задача эталонирования
- •41.Выявление мешающих параметров непараметрическими методами. Критерий Хэмпэла
- •44.Адаптивная оценка Хогга. Два способа вычисления индикатора k
- •45.Выявление эффектов гетероскедастичности
- •46. Методы выявления систематического влияния. Критерии серий.
- •47. Методы выявления эффектов автокорреляции. Критерий Дарбина-Уотсона.
- •48. Второй центральный смешанный момент (ковариация).
- •49. Парные, частные и множественные коэффициенты корреляции
- •50. Выявление значимости связей.
- •51. Коэффициент достоверности аппроксимации. Оценка надёжности по критерию Фишера.
- •52. Понятие экстраполяции (прогнозирование результатов измерений)
- •53. Фундаментальная теорема переноса ошибок имеет вид:
- •54. Оценка точности функций зависимых результатов измерений.
19. Методы получения доброкачественных оценок. Метод максимального правдоподобия.
Оценка с помощью доверительных интервалов является более совершенным способом, чем точечная оценка. При уравнивании геодезических сетей строят доверительные интервалы для истинных значений уравниваемых величин, их функций и для дисперсий (или средних квадратических отклонений) резуль татов измерений и их функций. Доверительные интервалы имеет смысл строить, если измерения подчиняются нормальному закону распределения и не содержат систематических ошибок (кроме того случая, когда последние входят в уравнивание как неизвестные). Доверительный интервал для истинного значения F любой функции F уравненных измерений строят в виде ,где коэффициент t выбирают из таблиц распределения Стьюдента по доверительной вероятности β и числу степеней свободы г = n-k, а средняя квадратическая ошибка В частном случае для истинного значенияX уравненного параметрическим способом неизвестного будем иметь интервал
,где
Метод максимального правдоподобия- это общий метод оценивания параметров генеральной совокупности с помощью максимизации функции правдоподобия L выборки. Функция правдоподобия L есть совместное распределение выборки, которое представляет собой функцию параметра .
- вектор неизвестных параметров модели.Если выборка имеет непрерывное распределение, функция правдоподобия L описывается совместной плотностью распределения
В случае, если элементы выборки имеют дискретное распределение, функция правдоподобия принимает вид
Величину можно считать мерой правдоподобия значения θ при заданной реализацииx.
Пусть L - функция правдоподобия выборки; при наблюдаемых значениях - является функцией параметров θ.
Тогда оценками максимального правдоподобия θ называются наиболее правдоподобные значения максимизирующие функциюL.
= .Очевидно, оценки зависят от наблюдений В широких предположениях эти оценки являются оптимальными.
Часто проще искать точку максимума функции , которая совпадает св силу монотонности логарифма.Пусть- это элемент пространстваЕслиоткрытый интервал, адифференцируема и достигает максимума нато оценки максимального правдоподобия удовлетворяют уравнению
20. Равномерный закон распределения случайных величин
Во многих практических задачах приходится сталкиваться с определенными законами распределения непрерывных случайных величин. Часто встречаются законы равномерного, нормального, показательного распределения вероятностей.
Случайная величина Х называется равномерно распределенной на отрезке [a, b], если ее плотность распределения вероятностей имеет вид:
.
График функции распределения F(x) равномерно распределенной случайной величины Х изображен на рис. 6.10.
Рис. 6.10
Математическое ожидание равномерно распределенной случайной величины Х равно:
.
По формуле (6.8) находим дисперсию равномерно распределенной величины Х:
Отсюда среднее квадратическое отклонение:
σ = =
21. Биномиальный закон распределения
Биномиальный закон распределения описывает вероятность наступления события А m раз в n независимых испытаниях, при условии, что вероятность р наступления события А в каждом испытании постоянна.
Приведённая формула иногда называется формулой Бернулли. Математическое ожидание и дисперсия для этого распределения имеют вид:
M(X)=n*p
D(X)=n*p*q
При больших n, в силу теоремы Лапласа Б.р., близко к нормальному распределению. При небольших n приходится пользоваться таблицами Б.р.