- •Лекция 1
- •Лекция 2
- •Лекция 3
- •Основные теоремы Теории Вероятностей
- •Лекция 5
- •Лекция 6 Законы распределения случайных величин
- •Лекция 8
- •Вероятность попадания случайной величины на интервал альфа, бета, выраженное через плотность распределения f(X).
- •Выражение функции распределения f(X) через плотность f(X).
- •Основные свойства плотности распределения
- •Некоторые практически важные законы распределения.
- •Закон редких явлений. Распределение Пуассона.
- •Лекция 11 от 23.11.11
- •Основные свойства функции Лапласа:
- •Лекция 13 от 07.12.2011
- •Центральная предельная теорема.
- •Лекция 14
- •Лекция 15 от 21.12.11 Основные понятия математической статистики.
- •Выборка
- •Оценки числовой характеристики распределения
- •Три основных свойства оценки
- •Оценки математического ожидания и дисперсии.
Оценки числовой характеристики распределения
Обозначим искомый (неизвестный) параметр распределения через а. Приближенное значение параметра а вычисленное на основе выборки будем называть оценкой а* параметра а. В частности а=mx или а=Ϭ2х=Dx, а*= mx* или а*= Dx*
Любая оценка, вычисленная на основе выборки конечного обьема n является функцией выборки, следовательно сама оценка является величиной случайной.
а*=а*(x1,х2,..,хn)
Три основных свойства оценки
Если при увеличении n оценка а* приближается (сходится по вероятности) к параметру а, то оценка называется состоятельной.
Если М[a*]=a, то оценка называется несмещенной.
Если выбранная несмещенная оценка обладает по сравнению с другими наименьшей дисперсией, то есть D[a*]=min, то она называется эффективной.
На практике не всегда удается удовлетворить все эти требования.
Оценки математического ожидания и дисперсии.
Рассмотрим СВ Х и дисперсию Dx, причем оба параметра неизвестны. Пусть имеется выборка объема n. Требуется найти несмещенные параметры оценки Мх и Dx.
В качестве оценки Mx* естественно взять среднее арифметическое наблюденных значений:
Mx*=1\n[∑(n, i=1)xi (1)
Существуют и другие способы вычисления Mx*, например Medx. Оценка 1 является самостоятельной, тк в силу закона больших чисел (теорема Чебышева) она при увеличении n сходится по вероятности к Mx.
Оценка mx* является несмещенной, т.к.:
M[mx*]=m[1\n*=∑(n, i=1)xi]=1\n∑(n, i=1)M[xi]=1\n*n*mx
Дисперсию этой оценки надо вычислить:
D[mx*]=D[1\n*=∑(n, i=1) xi]=1\n2∑(n, i=1)[xi]=1\n2*nDx=Dx\n
Т.е. D[mx*]=Dx\n
Эффективность или неэффективность этой оценки зависит от вида закона распределения величины Х. Можно доказать, что для нормального закона распределения оценка mx* будет эффективной. Для других законов распределения это может быть и не так.
В качестве оценки дисперсии СВ X используют величину:
Dx*=1/n-1∑(n, i=1)(xi- mx*)2
Можно доказать, что эта оценка является состоятельной и не смещенной. При этом в случае распределения нормально величины Х оценка будет асимптотически эффективной, то есть стремиться при неограниченном увеличении n к эффективной оценке.
Временные ряды.
X (t)
0 t0 t
Основные понятия:
Определение. Временной ряд это последовательность значений некоторого развивающегося во времени процесса, полученных в последовательные моменты времени.
Временной ряд будем обозначать как x1, x2…xt или же xt(t=1,2,….)
В общем случае промежутки времени между отдельными значениями временного ряда могут быть различными. Чаще всего на практике, если это возможно, используют одинаковый промежуток времени и обозначают Т. Т-интервал дискретизации.
Δt=xt-xt-1=T
Почти всегда на исследуемое закономерное явление описываемое некоторым процессом во времени влияют случайные факторы, такие как случайные помехи, ошибки и тд. Поэтому изучение временных рядов изучаются методами теории вероятности и мат. статистики. По существу временной ряд представляет собой случайный процесс с дискретным временем.
Примеры: 1. Последовательности изменений параметров технологических процессов или технических объектов.
Последовательность ежедневных измерений температуры воздуха
Последовательность ежедневных цен на акции. Курсы валют. Ежемесячные объемы продаж.
Цели и задачи анализа временных рядов.
Наиболее часто при изучении временных рядов ставятся следующие цели и задачи:
Краткое описание характерных особенностей ряда
Подбор мат. Модели временного ряда
Предсказание (прогнозирование) будущих значений ряда на основе текущих и прошлых наблюдений
Управление процессом, порождающим временной ряд
Стандартные примеры
Задача 1 В урне есть 3 белых и 2 черных шара. Вынимаются поочередно два шара. Найти вероятность того, что оба шара белые.
Решение:
Способ 1-с использованием теоремы умножения вероятностей.
Обозначим буквой «б» событие, что вынутый шар белый, тогда событие С, что вынутые шары белые, записывается как произведение событий «б*б» . Требуется найти
P(c)=P(б*б)
P(б*б)=P(б)*Р(б|б)
Имеем Р(б)=3/5, Р(б|б)=2/4=1/2
Следовательно Р(с) =3/5*1/2=0.3
Способ 2 с использованием схемы урн.(случаев)
Всего возможных случаев
n=C52
m-C32 благоприятных
Р(с)=m/n= C32/ C52=C31/C52=3/(5!/2!*3!)=3/(4*5)/2=0.3
Задача 2
Производятся три независимых опыта, в каждом из которых событие А может появиться с вероятностью 0.6. Найти вероятность того, что произойдет хоть одно событие.
Решение.
Способ 1 – разложение на элементарные события.
Пусть Аi-событие, состоящее в том, что событие А появление события в i-м опыте (i=1,2,3)
A=A1A2A3+A1A2A3+A1A2A3+A1A2A3+A1A2A3+A1A2A3+A1A2A3
P(A)=P(A1A2A3+A1A2A3+A1A2A3+A1A2A3+A1A2A3+A1A2A3+A1A2A3)
Все произведения событий несовместны, поэтому согласно теореме сложения:
P(A1A2A)+P(A1A2A3)+P(A1A2A3)+P(A1A2A3)+P(A1A2A3)+P(A1A2A3)
Применяя теорему умножения получим:
P(A1A2A3)=P(A1)P(A2)P(A3)=0.6*0.4*0.4=0.096
Остальные аналогично
P(A)=0.936
Способ 2 – переход к противоположному событию (если образуют 1)
P(A)=
P(A)=1-P(A)
Событие не произошло не разу
Очевидно A=A1A2A3
Следовательно
P(A)=P(A1A2A3) ТАК КАК СОБЫТИЯ НЕ СОВМЕСТНЫ, ТО
P(A)=P(A1)P(A2)P(A3)=0.4*0.4*0.4)=0.064
P(A)=1-0.064=0,936
Задача 3
СВ Х имеет плотность распределения f(x)