- •Критерии однородности дисперсии нескольких независимых выборок.
- •Понятие квантили (определение, графическая интерпретация), доверительного интервала, доверительной области. Примеры нахождения квантилей нормального распределения.
- •Критерии однородности выборок. Критерий Смирнова.
- •Доверительные интервалы для дисперсии нормального распределения.
- •Критерии однородности выборок. Критерий однородности хи-квадрат Пирсона
- •Доверительные интервалы для дисперсии нормального распределения.
- •Критерий проверки значимости линейной регрессии (два подхода).
- •Понятие одномерной и двумерной функции распределения случайного процесса и плотности распределения. Вероятностный смысл.
- •Простые и сложные гипотезы. Статистический критерий различения гипотез. Уровень значимости и мощность критерия. Ошибки первого и второго рода.
- •Числовые характеристики случайных процессов (определение, свойства). Корреляционная теория случайных процессов.
- •Лемма Неймана — Пирсона. Наиболее мощные критерии
- •2. Математическое ожидание суммы случайных величин
- •Наиболее мощные критерии различения двух простых гипотез о среднем значении гауссовской случайной величины при известной дисперсии.
- •Дискретный вариационный ряд. Полигон частот и относительных частот.
- •Наиболее мощные критерии различения двух простых гипотез о среднем значении гауссовской случайной величины при неизвестной дисперсии.
- •Доверительные интервалы для математического ожидания нормального распределения.
- •Лемма Неймана — Пирсона. Наиболее мощные критерии
- •2. Математическое ожидание суммы случайных величин
- •Сравнение дисперсий двух гауссовских выборок. Критерий Фишера.
- •Интервальный вариационный ряд. Гистограмма частот и относительных частот.
- •Сравнение средних двух гауссовских выборок с равными дисперсиями. Критерий Стьюдента.
- •Дискретный вариационный ряд. Полигон частот и относительных частот.
- •1.Сравнение исправленной выборочной дисперсии с гипотетической генеральной дисперсией.
- •2.Сравнение средних двух гауссовских зависимых выборок.
- •Критерий
- •Понятие статистики как функции от выборки
- •Статистика критерия
- •Оценки максимального правдоподобия параметров нормального распределения.
- •Метод наименьших квадратов для случая квадратичной зависимости и обобщенной линейной зависимости данных.
- •1.Оценки подстановки неизвестных параметров. Выборочное среднее и выборочная дисперсия. Несмещенная оценка дисперсии.
- •2.Методы линейной регрессии. Метод наименьших квадратов для случая линейной зависимости данных.
- •1.Критерий согласия хи-квадрат Пирсона различения статистических гипотез (случай распределения с неизвестными параметрами).
- •Статистика критерия
- •1.Вариационный ряд. Распределения порядковых статистик выборки (максимальной и минимальной варианты выборки).
- •2.Эмпирическая функция распределения и её свойства. Пример нахождения эмпирической функции и построение ее графика.
- •1.Усиленный закон больших чисел. Теорема Колмогорова и теорема Бореля.
- •2.Оценки подстановки неизвестных параметров. Выборочное среднее и выборочная дисперсия. Несмещенная оценка дисперсии.
1.Усиленный закон больших чисел. Теорема Колмогорова и теорема Бореля.
Теорема Бореля утверждает, что относительная частота fn = появления случайного события с ростом числа n независимых испытаний стремится к истинной вероятности p
(6)
с вероятностью 1. Другими словами, при любом эксперименте с бесконечным числом испытаний имеет место сходимость последовательности fn к p.
Будем говорить, что последовательность случайных величин подчиняется усиленному закону больших чисел, если
при (7)
с вероятностью 1.
В частном случае, при равных математических ожиданиях, Mx i=a, это означает
при (8)
с вероятностью 1.
Достaточное условие выполнения (7) дает
Теорема Колмогорова. Если последовательность взаимно независимых случайных величин удовлетворяет условию
,
то она подчиняется усиленному закону больших чисел.
Для независимых и одинаково распределенных случайных величин справедлив окончательный результат:
Теорема. Необходимым и достаточным условием для применимости усиленного закона больших чисел к последовательности независимых величин является существование математического ожидания.
Проиллюстрируем (6) на примере бросания симметричной монеты, а (8) - на примере равномерно R[0,1] распределенных случайных величин.
2.Оценки подстановки неизвестных параметров. Выборочное среднее и выборочная дисперсия. Несмещенная оценка дисперсии.
В основе почти всех приёмов оценивания лежит следующий основной метод, который можно было бы назвать методом подстановки эмпирического распределения (или, для краткости,методом подстановки).
Пусть X P и неизвестный параметр представим в виде некоторого функционала G от распределения P: =G(P).
Пусть, далее, P*n, как и прежде, означает эмпирическое распределение. Тогда метод подстановки предписывает в качестве оценки * взять функцию: = G (P*n).
Такие оценки будем называть оценками по методу подстановки или просто оценками подстановки.
Вы́борочное сре́днее — это приближение теоретического среднего распределения, основанное на выборке из него. Пусть — выборка из распределения вероятности, определённая на некотором вероятностном пространстве . Тогда её выборочным средним называется случайная величина
.
Выборочная дисперсия в математической статистике — это оценка теоретической дисперсии распределения на основе выборки. Различают выборочную дисперсию и несмещённую, или исправленную, выборочные дисперсии. Пусть — выборка из распределения вероятности. Тогда
Выборочная дисперсия — это случайная величина
,
где символ обозначает выборочное среднее.
Несмещённая (исправленная) дисперсия — это случайная величина
.
Несмещённая оце́нка в математической статистике — это точечная оценка, математическое ожидание которой равно оцениваемому параметру. Пусть — выборка из распределения, зависящего от параметра . Тогда оценка называется несмещённой, если
.
В противном случае оценка называется смещённой, и случайная величина называется её смеще́нием.