- •Лекция 1. Общие сведения по теории вероятностей.
- •Условные и безусловные вероятности.
- •1.5. Формула полной вероятности и формула Байеса
- •Понятие случайного события.
- •1) Вероятность достоверного события равна 1;
- •2) Вероятность невозможного события равна 0;
- •Вероятность случайного события заключена
- •1.2. Алгебра событий.
- •1.3. Зависимые и независимые события.
- •1.4. Основные формулы теории вероятностей.
- •1.5. Формула полной вероятности и формула Байеса
- •1.6. Частная теорема о повторении опытов.
- •2.1. Случайные величины и их законы распределения.
- •2.2. Функция распределения.
- •2 .3. Вероятность попадания случайной величины
- •2.4. Плотность распределения
- •2.5. Числовые характеристики случайной величины
- •2.6 Понятие о моментах случайной величины.
- •2.7. Основные свойства математического ожидания
- •Свойства математического ожидания:
- •Свойства дисперсии случайной величины:
- •Лекция 3. Основные законы распределения
- •3.1. Гипергеометрическое распределение
- •3.5. Закон равной вероятности
- •3.7. Закон распределения модуля разности
- •3.8. Композиция законов распределения
- •3.1.Гипергеометрическое распределение.
- •3.5. Закон равной вероятности.
- •3.7. Закон распределения модуля разности.
- •Статистики
- •4.1. Основные задачи математической статистики
- •4.2. Основные понятия и определения. Выборочного метода
- •4.3. Выборочные характеристики. Состоятельные,
- •Свойства выборочных средних и дисперсий.
- •Доверительный интервал. Доверительная вероятность.
- •Задача определения закона распределения случайной величины.
- •2. Задача проверки правдоподобия гипотез.
- •3.Задача нахождения неизвестных параметров распределения.
- •4.2. Основные понятия и определения. Выборочного метода.
- •Генеральная совокупность и выборка из нее.
- •4.3. Выборочные характеристики. Состоятельные, несмещенные и эффективные оценки характеристики.
- •4.5. Доверительный интервал. Доверительная вероятность.
- •5.1. Определение характеристик эмпирического
- •5.2. Сопоставление и проверка сходимости
- •Координаты характерных точек кривой
- •5.3. Сопоставление эмпирического распределения
- •5.4. Статистическая проверка гипотез.
- •5.5. Проверка гипотезы о законе распределения случайной
- •Критерий
- •Критерий 2
- •5.6. Проверка гипотезы равенства двух выборочных средних
- •5.7. Проверка гипотезы равенства двух выборочных
- •5.8. Проверка гипотезы равенства ряда дисперсий .
- •Критерий Бартлета.
- •Критерий Кохрана.
- •5.9. Проверка гипотезы равенства ряда средних.
- •5.10. Метод исключения грубых ошибок измерения
- •5.11. Выбор числа наблюдений
- •6.1.Закон больших чисел и центральная
- •6.2. Неравенство Чебышева.
- •Неравенство Чебышева.
- •6.3. Закон больших чисел (теорема Чебышева).
- •6.4 Теорема Бернулли.
- •7.2. Коэффициент корреляции и корреляционное отношение.
- •7.3. Корреляционный анализ
- •7.4 Выбор уравнения регрессии
- •7.5. Понятие о множественной корреляции
- •Лекция 8. Основы планирования
- •8.6.1. Метод крутого восхождения.
- •8.1. Основные определения.
- •«Черный ящик »
- •8.3. Полный факторный эксперимент.
- •8.3.1 Выбор интервалов варьирования факторов
- •8.3.2 Полный факторный эксперимент типа 2
- •Построение матрицы 2
- •8.3.3. Свойства полного факторного эксперимента типа 2 к
- •8.3.4. Полный факторный эксперимент
- •8.3.5 Анализ модели.
- •8.3.5.1. Проверка значимости коэффициентов модели.
- •Расчет дисперсии опытов и оценка их однородности
- •Расчет дисперсий параметра оптимизации и коэффициентов регрессии
- •Проверка значимости коэффициентов регрессии
- •8.3.5.2. Проверка адекватности модели
- •8.4. Дробный факторный эксперимент.
- •8.4.1.Минимизация числа опытов.
- •Дробная реплика
- •8.4.3. Выбор полуреплик. Генерирующие соотношения и определяющие контрасты
- •8.4.4.Выбор 1/4-реплик. Обобщающий
- •8.6. Оптимизация функции отклика.
- •8.6.1. Метод крутого восхождения.
- •6.6.2. Методика расчета крутого восхождения
- •6.7. Принятие решений после построения модели процесса
- •8.5 Рандомизация опытов.
- •8.6 Оптимизация функции отклика
- •8.6.1. Метод крутого восхождения. Движение по градиенту
- •8.6.2. Методика расчета крутого восхождения
- •8.7.Принятие решений после построения
- •9.1. Статистический анализ точности обработки.
- •9.3. Статистический анализ посредством малых выборок.
- •9.4. Статистический анализ с помощью точечных
- •9.4.1. Карта средних значений (карта « »)
- •9.4.2. Карта медиан (карта )
- •9.4.3. Карты « »
- •9.4.4. Метод средних арифметических значений и
- •9.4.4. Контрольные карты по неизмеримым
- •Карта «р»
- •Карта «с».
5.11. Выбор числа наблюдений
При рассмотрении вопроса об оценках математического ожидания и дисперсии по выборочным характеристикам объем выборки принимался заданным. Перед экспериментатором очень часто возникает такая задача, сколько необходимо провести опытов, чтобы получить требуемую оценку с заданной степенью точности?
Согласно уравнению, приведенному на стр.78, точность оценки параметра определяется выражением:
= t S / , откуда n = t 2 S 2/ 2
Величина t определяется в зависимости от уровня доверительной вероятности с помощью функции Лапласа (t) , - задается заранее, S определяется опытным путем.
Поскольку величина S как правило, не известна, то рекомендуется провести вначале несколько опытов и определить эту величину по следующей методике. На основании результатов нескольких опытов определяется величина R = xmax – xmin,
где xmax – максимальное значение случайной величины Х;
xmin - минимальное значение случайной величины Х;
Величина S определяется по формуле: S = Rn /dn , где Rn - размах выборки при объеме выборки n, dn – коэффициент, зависящий от n. Значения dn приведены в таблице.
n
|
dn |
n |
dn |
2 3 4 5 6 7 8 9 10 11 |
1,128 1,693 2,059 2,326 2,534 2,704 2,847 2,970 3,078 3,173 |
12 13 14 15 16 17 18 19 20 |
3,258 3,336 3,407 3,472 3,532 3,588 3,644 3,689 3,735 |
ЛЕКЦИЯ 6 ПРЕДЕЛЬНЫЕ ТЕОРЕМЫ
ТЕОРИИ ВЕРОЯТНОСТЕЙ
6.1.Закон больших чисел и центральная
предельная теорема.
6.2. Неравенство Чебышева.
6.3. Закон больших чисел (теорема Чебышева).
6.4 Теорема Бернулли.
6.1.Закон больших чисел и центральная
предельная теорема.
В начале курса мы уже говорили о том, что математические законы теории вероятностей получены абстрагированием реальных статистических закономерностей, свойственных массовым случайным явлениям. Наличие этих закономерностей связано именно с массовостью явлений, то есть с большим числом выполняемых однородных опытов или с большим числом складывающихся случайных воздействий, порождающих в своей совокупности случайную величину, подчиненную вполне определенному закону. Свойство устойчивости массовых случайных явлений известно человечеству еще с глубокой древности. В какой бы области оно ни проявлялось, суть его сводится к следующему: конкретные особенности каждого отдельного случайного явления почти не сказываются на среднем результате массы таких явлений; случайные отклонения от среднего, неизбежные в каждом отдельном явлении, в массе взаимно погашаются, нивелируются, выравниваются. Именно эта устойчивость средних и представляет собой физическое содержание «закона больших чисел», понимаемого в широком смысле слова: при очень большом числе случайных явлений средний их результат практически перестает быть случайным и может быть предсказан с большой степенью определенности.
В узком смысле слова под «законом больших чисел» в теории вероятностей понимается ряд математических теорем, в каждой из которых для тех или иных условий устанавливается факт приближения средних характеристик большого числа опытов к некоторым определенным постоянным. С общими формами закона больших чисел мы познакомимся в данной главе. Все они устанавливают факт и условия сходимости по вероятности тех или иных случайных величин к постоянным, не случайным величинам.
Закон больших чисел играет важную роль в практических применениях теории вероятностей. Свойство случайных величин при определенных условиях вести себя практически как не случайные позволяет уверенно оперировать с этими величинами, предсказывать результаты массовых случайных явлений почти с полной определенностью.
Возможности таких предсказаний в области массовых случайных явлений еще больше расширяются наличием другой группы предельных теорем, касающихся уже не предельных значений случайных величин, а предельных законов распределения. Речь идет о группе теорем, известных под названием «центральной предельной теоремы». Мы уже говорили о том, что при суммировании достаточно большого числа случайных величин закон распределения суммы неограниченно приближается к нормальному при соблюдении некоторых условий. Эти условия, которые математически можно формулировать различным образом - в более или менее общем виде, - по существу сводятся к требованию, чтобы влияние на сумму отдельных слагаемых было равномерно малым, т. е. чтобы в состав суммы не входили члены, явно преобладающие над совокупностью остальных по своему влиянию на рассеивание суммы. Различные формы центральной предельной теоремы различаются между собой теми условиями, для которых устанавливается это предельное свойство суммы случайных величин.
Различные формы закона больших чисел вместе с различными формами центральной предельной теоремы образуют совокупность так называемых предельных теорем теории вероятностей. Предельные теоремы дают возможность не только осуществлять научные прогнозы в области случайных явлений, но и оценивать точность этих прогнозов.
В данной лекции мы рассмотрим только некоторые, наиболее простые формы предельных теорем. Сначала будут рассмотрены теоремы, относящиеся к группе «закона больших чисел», затем—теоремы, относящиеся к группе «центральной предельной теоремы».