- •Оглавление
- •Введение
- •1. Теория функций комплексного переменного
- •Комплексные числа и операции над ними
- •1.1.1. Определение комплексного числа
- •1.1.2. Формы записи комплексных чисел
- •1.1.3. Формула Муавра и извлечение корня n-ой степени из комплексного числа
- •1.2. Функции комплексного переменного
- •1.3. Дифференцирование функций комплексного переменного
- •1.3.1. Определение производной
- •1.3.2. Необходимые и достаточные условия дифференцируемости функции комплексного переменного
- •1.3.3. Производные основных элементарных функций
- •1.3.4. Восстановление аналитической функции по известной действительной или мнимой части
- •Интегрирование функций комплексного переменного
- •1.4.1. Определение интеграла от функции комплексного переменного
- •1.4.2. Теорема Коши. Вычисление интегралов от аналитических функций
- •2. Теория рядов
- •2.1. Числовые ряды
- •2.1.1.Основные понятия Пусть дана последовательность чисел (вещественных или комплексных)
- •Свойства сходящихся рядов
- •Замечание. Условие является необходимым, но не достаточным для сходимости, т.Е. Если , то ряд может сходиться, а может и расходиться.
- •Т. Е. Сходимость ряда равносильна тому, что сумма любого числа членов ряда, следующих за достаточно большим номером, должна быть произвольно мала.
- •2.1.2. Достаточные признаки сходимости положительных рядов
- •Пусть даны два положительных ряда и .
- •2.1.3. Сходимость рядов с произвольными членами
- •2.2. Функциональные ряды
- •2.2.1. Сходимость функционального ряда
- •Функциональные свойства суммы сходящегося ряда
- •2.2.2. Степенные ряды
- •Область сходимости степенных рядов
- •Ряды Тейлора и Маклорена
- •2.3. Ряды Фурье
- •2.3.1. Тригонометрический ряд Фурье. Периодические функции.
- •2.3.2. Сходимость ряда Фурье
- •Разложение в ряд Фурье четных и нечетных функций
- •Разложение в ряд Фурье функций произвольного периода 2l
- •2.3.3. Интеграл Фурье
- •3. Теория вероятностей
- •Случайные события и их вероятности
- •Классификация событий
- •3.1.2. Операции над событиями
- •3.1.3. Аксиоматическое определение вероятности
- •Примеры вероятностных пространств
- •Конечное вероятностное пространство
- •2. Непрерывное вероятностное пространство
- •3.1.4. Условная вероятность. Теорема умножения вероятностей.
- •3.1.5. Формула полной вероятности. Формула Байеса
- •3.1.6. Последовательность независимых испытаний. Формула Бернулли
- •3.1.7. Статистическое определение вероятности
- •3.2. Случайные величины, их распределения и числовые
- •3.2.1.Дискретные случайные величины
- •3.2.2. Функция распределения. Плотность распределения
- •3.2.3. Математическое ожидание случайной величины
- •3.2.4. Дисперсия случайной величины
- •3.2.5. Примеры законов распределения случайных величин Дискретные случайные величины
- •1. Биномиальное распределение
- •2. Распределение Пуассона
- •3. Геометрическое распределение
- •4. Гипергеометрическое распределение
- •Непрерывные случайные величины
- •5. Равномерное распределение
- •6. Показательное распределение
- •7. Нормальное распределение
- •3.3. Системы случайных величин
- •3.3.1. Закон распределения системы случайных величин
- •Условный закон распределения
- •3.3.2. Числовые характеристики случайного вектора
- •3.3.3. Предельные теоремы теории вероятностей
- •4. Математическая статистика
- •4.1. Методы статистического описания результатов наблюдений
- •4.1.1. Статистическое распределение выборки
- •4.1.2. Эмпирическая функция распределения
- •4.2. Оценки параметров распределения
- •4.2.1.Точечные оценки параметров распределения
- •4.2.2. Интервальные оценки параметров распределения
- •4.3. Проверка статистических гипотез
- •4.4. Статистические оценки параметров линейной корреляционной зависимости (между двумя случайными величинами)
- •5. Контрольная работа № 7. Задания
- •5.1. Пример выполнения контрольной работы № 1. Вариант 0.
- •5.2. Варианты заданий контрольной работы № 7
- •6. Контрольная работа № 8. Задания
- •6.1. Пример выполнения контрольной работы № 2. Вариант № 0.
- •6.2. Варианты заданий контрольной работы № 8
4.2. Оценки параметров распределения
4.2.1.Точечные оценки параметров распределения
Зная эмпирическую функцию распределения, мы можем оценить характер теоретической функции распределения генеральной совокупности. Однако как в теории, так и на практике бывает важно оценить отдельные свойства случайной величины на основе экспериментальных данных.
Распределение случайной величины Х характеризуется целым рядом параметров или числовых характеристик, например: математическое ожидание, дисперсия, мода и так далее. Используя выборку исследуемой случайной величины, можно вычислить приближенные значения каждого из неизвестных параметров, называемые в статистике точечными оценками параметров (т.е. оценивание параметра осуществляется одним числом, точкой на числовой оси).
Точечные оценки параметров распределения являются значениями некоторых функций элементов выборки, которые называются статистиками. Например, для оценки математического ожидания случайной величины Х используют статистику , которая называется выборочное среднее.
Оценку параметра будем обозначать символом с тильдой: .
Очевидно, что значения статистик изменяются от выборки к выборке случайным образом, т.е. статистики являются случайными величинами. Для оценки данного параметра можно использовать несколько разных статистик, получая при этом различные значения оценок. Очевидно, что для наилучшей оценки следует взять такую статистику, значения которой для различных выборок из данной генеральной совокупности были бы «в среднем» близки к истинному значению параметра, который оценивается.
Качество оценок характеризуют следующими свойствами.
Оценка называется несмещенной, если ее математическое ожидание равно оцениваемому параметру: .
Оценка называется состоятельной, если при увеличении объема выборки оценка сходится по вероятности к . Это означает, что для любых и существует такое, что при выполняется неравенство: (вероятность того, что оценка отличается от истинного значения не больше, чем на , близка к единице).
Пусть и - две различные несмещенные оценки параметра . Если , то говорят, что оценка , более эффективна, чем оценка .
Пример. Несмещенной и состоятельной оценкой математического ожидания случайной величины Х будет выборочное среднее: ,
а несмещенной и состоятельной оценкой дисперсии будет исправленная выборочная дисперсия: .
Метод максимального правдоподобия
Для нахождения точечных оценок параметров распределения можно использовать метод максимального правдоподобия. Этот метод основан на следующем интуитивном представлении: в большинстве случаев в эксперименте наблюдается именно то значение случайной величины Х, при котором плотность вероятности близка к максимальному значению.
Согласно методу максимального правдоподобия для нахождения оценки параметра на основании выборки :
составляют функцию правдоподобия:
,
(это функция аргумента и элементов выборки, - плотность распределения случайной величины Х, содержащая неизвестный параметр, - значение плотности при );
2) находят то значение , при котором функция правдоподобия принимает максимальное значение: . Для этого находят точку максимума функции :
.
Иногда для упрощения вычислений удобно рассматривать логарифм функции правдоподобия.
3) в качестве точечной оценки параметра принимают найденное значение .
Определение. Оценку называют оценкой наибольшего (максимального) правдоподобия.
Оценки параметров, полученные по методу максимального правдоподобия, асимптотически нормально распределены и для некоторых законов распределения генеральной совокупности имеют минимальную дисперсию.
Пример. Найти оценку параметра показательного распределения , если в результате испытаний величины Х, распределенной по показательному закону, получены значения .
Решение. Составим функцию правдоподобия:
.
Для упрощения вычислений найдем: , и его точку максимума:
, , (здесь - выброчное среднее).
Так как , то функция правдоподобия принимает максимальное значение при , значит - искомая оценка параметра .