- •Основные понятия и определения теории вероятностей. Классическое определение вероятростей.
- •Статистическая вероятность
- •Сумма событий. Теорема сложения вероятностей.
- •Произведение событий. Теорема умножения вероятностей.
- •Локальная и интегральная теоремы Лапласа.
- •Дискретные случайные величины.
- •Дискретные случайные величины.
- •Числовые характеристики дискретных случайных величин.
- •Непрерывные случайные величины.
- •Числовые характеристики непрерывных случайных величин.
- •Биномиальный закон распределения.
- •Нормальный закон распределения
- •Двумерные случайные величины.Интегральная и дифференциальная функции распределения вероятностей.Одномерные законы распределения.
- •Дискретные случайные величины.
- •Интегральная функция распределения двумерной случайной величины.
- •Вероятность попадания случайной величины в квадрат бесконечных полусумм прямоугольников.
- •Зависимые и независимые случайные величины.
- •Основные понятия математичесКой статистиКи
- •Доверительные интервалы. Доверительная вероятность.
- •Доверительный интервал для оценки математического ожидания при известном .
- •Доверительный интервал для оценки математического ожидания при неизвестном .
- •Статистические гипотезы. Проверка гипотез. Критерий Пирсона.
- •Элементы корреляционного анализа.
- •Линейное програмирование Задачи линейного программирования лесной промышленности.
- •Нормальная кононическая форма задач линейного программирования
- •Геометрический метод решения задач линейного программирования.
- •Симплекс метод
- •Первый этап: построение первоначального базисного плана.
- •Второй этап: проверка (критерий) оптимальности.
- •Третий этап: указание процедуры целенаправленного перехода к следующей крайней точке.
- •Симплекс таблица
- •Метод искусственного базиса в м задачах
- •Транспортная задача.
- •Основные понятия теории массового обслуживания Потоки событий
- •Пуассоновский и простейший потоки. Потоки Пальма и Эрвина.
- •Предельная теорема теории потоков
- •Сложение, разряжение и независимость потоков
- •Марковские процессы
- •Уравнения Колмогорова для вероятностей состояния
- •Эргодические Марковские случайные процессы. Стационарный режим работы системы.
Вероятность попадания случайной величины в квадрат бесконечных полусумм прямоугольников.
Найдем вероятность того, что и
. Откуда мы видим, что и
Рассмотрим двумерную дискретную случайную величину (x;y) с возможными значениями .
Условное распределение составляющей X при условии, что - перечень возможных значений составляющей X и их условных вероятностей
вычисленных предположений, что событие наступило. Эти вероятности вычисляются по формуле:
Совершенно аналогично определяем условное распределение составляющей Y при условии что . Если же двумерная случайная величина (x;y) непрерывна, то условная дифференциальная функция распределения и аналогично
14.
Зависимые и независимые случайные величины.
Случайная величина X независимая от случайной величины Y, если закон ее распределения не зависит от того, какое значение приняла величина Y.
Теорема:
Для того чтобы случайная величины были независимые необходимо и достаточно чтобы
Доказательство:
Необходимость.
Дано, что две случайные величины независимы. Тогда Достаточность.
Дано, что две случайные величины независимы. Тогда
Следствие: для того чтобы случайные величины X,Y были независимы необходимо и достаточно чтобы .
Если случайные величины независимы, то условная функция распределения
и .
Числовые характеристики двумерных случайных величин.
Для одномерной случайной величины числовые характеристики представляют собой начальный и центральный моменты, причем наиболее существенными из них являются и
Для двумерной случайной величины так же существуют начальный и центральный моменты.
Начальный момент порядка k, l -
Центральный момент порядка k, l - .
Запишем формулы для вычисления этих моментов. Если случайная величина дискретная , , а , то начальный момент
.
Центральный момент
Если же двумерная случайная величина непрерывна, то моменты вычисляются следующим образом:
Наиболее важными из этих моментов являются:
Особое место среди моментов играет смешанный второй центральный момент.
,
который обозначается и называется корреляционным моментом. Этот момент служит для характеристики зависимости между случайными величинами X и Y.
Теорема.
Если случайные величины X и Y независимы, то корреляционный момент равен 0.
Доказательство.
Замечание: обратное утверждение, что если корреляционный момент равен 0, то случайные величины независимы – неверно. Можно лишь утверждать, что между этими случайными величинами отсутствует линейная связь. Дело в том, что может быть и нелинейная связь. Часто вместо корреляционного момента рассматривают нормированную величину, так называемый коэффициент корреляции
.
Этот коэффициент удовлетворяет условию . Он точно также как и служит для характеристики зависимости случайных величин.
15.
Основные понятия математичесКой статистиКи
Математическая статистика – наука, занимающаяся установление закономерностей которым подчинены массовые однородные случайные явления.
Перед математической статистикой стоят две задачи:
правильно указать способы сбора информации;
правильно указать способы анализа и обработки информации.
Основные понятия математической статистики
Пусть требуется изучить совокупность N однородных объектов относительно некоторого признака. Можно поступить двояко: произвести сплошное обследование (обследовать каждый объект относительно этого признака) или мы можем взять некоторую
часть объектов, исследовать их и полученные результаты распространить на всю совокупность.
Выборка – обследуемые объекты.
Генеральная совокупность - вся совокупность объектов..
Объем выборки – число объектов в выборке.
Существуют разные виды выборки:
повторная, если объект после исследования возвращается в генеральную совокупность.
не повторная, если объект не возвращается в генеральную совокупность.
На практике, как правило, пользуются бесповторной выборкой. Выборка должна достаточно объективно отражать все особенности исследуемых объектов.
Способы отбора.
Простой случайный отбор – объекты извлекаются по одному из всей генеральной совокупности.
Осуществить такой отбор можно пользуясь таблицами или датчиками случайных чисел.
Типический отбор – объекты отбирают не из всей генеральной совокупность, а из некоторой ее части.
Пример:
Изделия изготавливают на нескольких станках, а проверяют изделия с одного станка.
Серийный отбор – объекты отбирают из генеральной совокупности сериями (пачками).
Пример:
Выпускают лампочки и проверяют сразу ящик.
Статистический ряд.
Пусть из генеральной совокупности извлечена выборка объема n, причем значение
наблюдалось раз, . Значения - варианты.
Обычно эти значения располагают в порядке возрастания и записывают в виде таблицы.
- значение вариантов
- частоты
- относительные частоты
Размах выборки – разность
Такой рая – статистический вариационный ряд.
Однако если объем выборки очень большой, то в этом случае вместо статистического ряда составляют интервальный статистический ряд. Для этого всю выборку разбивают на K интервалов при помощи формулы . Составляют интервалы:
- число – вариант X значений, которые попали в i-ый интервал.
Наряду с интервальным рядом пользуются расширенным интервальным рядом.
Эмпирическая функция распределения.
Пусть задан ряд распределения. Введем следующие обозначения: - число наблюдений, при которых наблюдаемое значение <X, N – объем выборки. Тогда эмпирическая функция распределения равна:
. Если X меняется, то и значение функции также меняется. Понятно что . В отличие от интегральной функции распределения F(x) эмпирическая функция распределения строится по результатам наблюдений. Поэтому интегральная функция распределения F(x) – теоретическая функция.
Пример:
Пусть задан ряд:
Тогда мы видим:
Полигон и гистограмма.
В целях наглядности строят различные графики статистического распределения.
Полигон частот – ломанная, отрезки, которой соединяют точки .
Полигон относительных частот – ломанная, отрезки, которой соединяют точки .
Если же выборка задана интервальным рядом распределения, тогда строят гистограмму.
Гистограмма частот – ступенчатая фигура, состоящая из прямоугольников основаниями которых являются длины интервалов, а высота равна , где h – длина интервала.
Гистограмма относительных частот – ступенчатая фигура, состоящая из прямоугольников основаниями которых являются длины интервалов, а высота равна .
На практике чаще всего строят гистограмму относительных частот.
Пример:
16.
Статистические оценки параметров распределения.
Пусть требуется изучить некоторый признак генеральной совокупности. И пусть мы каким-то образом установили закон распределения. Нам надо найти параметры данного закона распределения. Например, если закон распределения нормальный то нам надо найти a и , если закон показательный то - .
Любое распределение имеет свои параметры. Пусть закон распределения будет f(a; x). Поскольку мы точно не знаем параметр, то мы можем найти его по выборке.
Оценка – любое значение параметра найденное по выборке.
Оценка обозначается или . Для того чтобы оценки давали хорошие результаты к ним предъявляются следующие требования:
состоятельность
Оценка состоятельная, если при увеличении числа опытов оценка по вероятности стремится к истинному значению.
не смещенность
Оценка не смещенная, если при пользовании ей не ошибок одно знака.
эффективность
Оценка эффективная, если по сравнению с другими оценками она имеет наименьшую дисперсию.
Точечные оценки параметров распределения.
Точечная оценка – оценка, выраженная одним числом.
Интервальная оценка – оценка, заданная интервалом.
Пусть задан ряд распределения.
Статистическое среднее (оценка математического ожидания) -
Если у нас ряд распределения интервальный то , где - середина соответствующего интервала.
Замечание: если первоначальные варианты - большие числа, то для упрощения расчетов целесообразно из каждого из вариантов вычесть одно и то же число C: .
Тогда .
Доказано что оценка математического ожидания является состоятельной и несмещенной.
Теория вероятности в качестве меры рассеивания случайной величины рассматривает дисперсию. В статистике рассматривают оценку дисперсии или выборочную дисперсию (вычисляется по формуле ).
Если же ряд задан интервально то . Однако на практике пользуются другими формулами:
Замечание: если значения - большие числа тогда переходят к условным вариантам
и .
В математической статистик доказывается, что дисперсия является состоятельной оценкой, но смещенной. Причем несмещенная дисперсия связана со смещенной следующим соотношением: .
Оценка среднеквадратического отклонения -
Замечание: на практике когда приблизительно считают что .
.