- •Тема 1. Вероятностные пространства 30
- •Тема 2. Основные вероятностные схемы испытаний 60
- •Тема 3. Случайные величины 87
- •Тема 4. Математическая статистика 140
- •Введение Место теории вероятностей и математической статистики в современной математической науке и их роль в экономических исследованиях
- •Особенности изучения теории вероятностей и математической статистики менеджером
- •Краткие сведения
- •Тема 1. Вероятностные пространства Лекция 1. Пространство случайных событий
- •Основные понятия теории вероятностей
- •Случайные события
- •Понятие случайного эксперимента
- •Пространство элементарных событий
- •Наступление события, благоприятствующие исходы
- •Совместные (совместимые), несовместные (несовместимые) события
- •Достоверное и невозможное события
- •Алгебра событий Операции над событиями (сумма, разность, произведение)
- •Свойства операций над событиями
- •Алгебра и сигма-алгебра событий
- •Общее определение вероятности
- •Классическое определение вероятности события. Случаи равновероятных исходов
- •Статистическое определение вероятности события. Случаи неравновероятных исходов
- •Геометрические вероятности
- •Аксиоматическое построение теории вероятностей
- •, Т.Е. Вероятность достоверного события равна единице;
- •Вероятность события , заключающееся в том, что наступит одно из попарно несовместных событий ( ), составляет
- •Полная группа событий
- •Условная вероятность
- •Формула умножения вероятностей
- •Формула сложения вероятностей
- •Независимость событий
- •Простейшие свойства вероятностей
- •Свойства условных вероятностей
- •Формула полной вероятности. Формула Байеса
- •Контрольные вопросы к теме №1
- •Тема 2. Основные вероятностные схемы испытаний Лекция 2. Основные формулы вычисления вероятностей
- •Классическая вероятностная схема
- •Правила суммы и произведения
- •Схемы выбора. Основные понятия комбинаторики
- •Выбор без возвращения, с учетом порядка
- •Выбор без возвращения, без учета порядка
- •Выбор с возвращением и с учетом порядка
- •Выбор с возвращением и без учета порядка
- •Урновая схема
- •Наивероятнейшее число наступления событий в схеме Бернулли
- •Предельные теоремы для схемы Бернулли
- •Локальная теорема Муавра–Лапласа
- •Интегральная теорема Муавра – Лапласа
- •Теорема Пуассона
- •Понятие потока событий
- •Полиномиальная схема
- •Понятие цепи Маркова
- •Однородные цепи Маркова
- •Равенство Маркова
- •Предельные вероятности
- •Контрольные вопросы к теме №2
- •Тема 3. Случайные величины Лекция 3. Одномерные случайные величины
- •Непрерывные и дискретные случайные величины
- •Закон распределения случайной величины
- •Функция распределения случайной величины и ее свойства
- •Свойства функции распределения
- •Числовые характеристики непрерывных случайных величин Математическое ожидание случайной величины, его вероятностный смысл и свойства
- •Свойства математического ожидания
- •Дисперсия случайной величины и ее свойства
- •Среднеквадратическое отклонение
- •Начальные и центральные моменты
- •Основные примеры распределений дискретной случайной величины
- •Биномиальное распределение, его математическое ожидание, дисперсия
- •Распределение Пуассона
- •Геометрическое распределение
- •Непрерывные случайные величины Функция и плотность распределения вероятностей
- •Числовые характеристики непрерывных случайных величин
- •Основные примеры распределений непрерывной случайной величины Равномерное распределение
- •Показательное распределение
- •Нормальное распределение
- •Свойства функции Гаусса
- •Центральная предельная теорема
- •Вероятность попадания нормальной случайной величины в заданный интервал
- •Функция Лапласа и ее свойства
- •Вычисление вероятности заданного отклонения. Правило «трех сигм»
- •Лекция 4. Многомерные случайные величины
- •Закон распределения вероятностей двумерной случайной величины
- •Совместная функция распределения двумерной случайной величины
- •Свойства совместной функции распределения двумерной случайной величины
- •Плотность совместного распределения вероятностей непрерывной двумерной случайной величины
- •Свойства двумерной плотности вероятности
- •Условное математическое ожидание
- •Независимые случайные величины
- •Числовые характеристики системы двух случайных величин
- •Корреляционный момент
- •Коэффициент корреляции
- •Свойства коэффициента корреляции
- •Линейная регрессия. Метод наименьших квадратов
- •Распределение 2
- •Распределение Стьюдента
- •Распределение Фишера
- •Предельные теоремы теории вероятностей Закон больших чисел. Неравенство Чебышева. Теорема Чебышева
- •Контрольные вопросы к теме №3
- •Тема 4. Математическая статистика Лекция 5. Основы математической статистики
- •Выборочный метод и его основные понятия
- •Способы отбора
- •Вариационный ряд для дискретных и непрерывных случайных величин
- •Полигон и гистограмма
- •Эмпирическая функция распределения и ее свойства
- •Свойства эмпирической функции распределения
- •Статистические оценки параметров распределения. Состоятельность и несмещенность статистических оценок
- •Выборочные среднее и дисперсия
- •Надежность и доверительный интервал
- •Определение доверительных интервалов Доверительный интервал для математического ожидания нормального распределения при известной дисперсии
- •Доверительный интервал для математического ожидания нормального распределения при неизвестной дисперсии
- •Доверительный интервал для оценки среднего квадратического отклонения нормального распределения
- •Проверка статистических гипотез
- •Статистический критерий
- •Критическая область. Область принятия гипотезы. Критические точки
- •Критерий согласия Пирсона о виде распределения
- •Элементы теории корреляции
- •Выборочные уравнения регрессии
- •Линейная регрессия
- •Множественная линейная регрессия
- •Нелинейная регрессия
- •Логарифмическая модель
- •Обратная модель
- •Степенная модель
- •Показательная модель
- •Цепи Маркова Цепи Маркова с дискретным временем
- •Однородные цепи Маркова
- •Переходные вероятности. Матрица перехода
- •Равенство Маркова
- •Цепи Маркова с непрерывным временем
- •Уравнения Колмогорова
- •Финальные вероятности состояний системы
- •Предельные вероятности
- •Контрольные вопросы к теме №4
- •Экзаменационные вопросы
- •Литература
- •Теория вероятностей и математическая статистика
- •Технический редактор т.В. Жибуль
- •220007, Г. Минск, ул. Московская, 17.
Начальные и центральные моменты
Кроме математического ожидания и дисперсии, для оценки случайной величины используются начальные и центральные моменты случайной величины.
Начальным моментом порядка случайной величины называют математическое ожидание величины :
.
Центральным моментом порядка случайной величины называют математическое ожидание величины :
.
Начальный момент первого порядка равен математическому ожиданию самой случайной величины .
Центральный момент первого порядка равен нулю:
.
Центральный момент второго порядка представляет собой дисперсию случайной величины :
.
Для дискретных случайных величин:
;
.
Основные примеры распределений дискретной случайной величины
Случайную величину полностью задает закон ее распределения. Чтобы определить закон распределения дискретной случайной величины, необходимо установить соответствие между всеми возможными значениями данной случайной величины и их вероятностями.
К каноническим законам распределения дискретной случайной величины обычно относят биномиальный закон, закон распределения Пуассона и закон распределения по геометрической прогрессии.
Биномиальное распределение, его математическое ожидание, дисперсия
Рассмотрим серию независимых испытаний проведенных в условиях схемы Бернулли, в ходе которых появлялось событие с вероятностью , одинаковой для всех испытаний.
Необходимо определить закон распределения случайной величины числа появлений события . Для этого нужно определить возможные значения и их вероятности. Минимальное значение равно нулю, что соответствует ситуации, когда в серии испытаний событие не появилось; максимальное значение соответствует «успеху» во всех испытаниях серии и равно . Очевидно, что случайная величина числа появлений события в серии испытаний принимает значения . Остается найти соответствующие вероятности этих возможных значений, для чего достаточно воспользоваться формулой Бернулли:
,
где , .
Эта формула является аналитическим выражением искомого закона распределения. Эта формула еще называется биномиальной, так как ее правая часть представляет собой -й член бинома Ньютона:
.
Отсюда сразу видно, что для полученного закона биномиального распределения вероятностей числа появления события при независимых испытаниях выполняется условие нормировки, т.е. сумма всех вероятностей равна единице:
.
Теорема. Математическое ожидание числа появлений события в независимых испытаниях равно произведению числа испытаний на вероятность появления события в каждом испытании.
Доказательство. Случайная величина распределена по биномиальному закону:
( ),
где .
Величину можно рассматривать, как сумму независимых случайных величин , где ( ) – число появлений события в м испытании. Случайная величина принимает лишь два значения: 1, если событие появилось в м испытании, и 0, если в м испытании события не произошло.
Вероятности этих событий и , а математическое ожидание: ( ).
Следовательно, используя теорему о математическом ожидании суммы, получим:
.
Таким образом, математическое ожидание числа появлений события в условиях схемы Бернулли совпадает со средним числом появлений события в данной серии испытаний.
Теорема. Дисперсия числа появлений события в независимых испытаниях равна произведению числа испытаний на вероятности появления и непоявления события в одном испытании: .
Доказательство. Пусть – число появлений события в независимых испытаниях. Оно равно сумме появлений события в каждом испытании: . Так как испытания независимы, то и случайные величины – независимы, поэтому .
Но , .
Как было показано выше, , а .
Тогда , а .
В этом случае, как уже упоминалось ранее, среднее квадратичное отклонение .
Пример. В пяти торговых точках проверяется годовой баланс. Вероятность правильного оформления баланса в каждой точке равна 0,7. Найти математическое ожидание и дисперсию правильно оформленных балансов.
Решение. Дано: , , .
Тогда
.
Биномиальный закон распределения часть приходится применять в условиях, когда число независимых испытаний велико. Вычисление вероятностей по формуле Бернулли при этом усложняется, поэтому представляет интерес асимптотическое приближение для биномиального закона, справедливое при больших . Возможны два случая:
Когда при увеличении числа испытаний математическое ожидание рассматриваемой случайной величины тоже неограниченно возрастает (случай постоянного ); при этом биномиальное распределение сходится к нормальному закону, который будет рассмотрен позже.
Когда при увеличении числа испытаний остается постоянным произведение , то есть математическое ожидание рассматриваемой случайной величины остается конечным. Это означает, что вероятность события стремится к нулю. В этом случае биномиальное распределение сходится к распределению Пуассона.