- •Пример.
- •Определение случайного события.
- •Несовместные события.
- •Вероятность случайного события.
- •Свойства вероятности
- •Классическое определение вероятности события
- •Пример.
- •Основные формулы теории вероятностей Независимость случайных событий.
- •Правило умножения вероятностей
- •Вероятность суммы событий.
- •Некоторые формулы комбинаторики. Правило сложения.
- •Правило умножения.
- •Пример.
- •Размещения и перестановки
- •Сочетания
- •Формула Пуассона
- •Формула полной вероятности.
- •Случайная величина.
- •Пример.
- •Дискретные случайные величины.
- •Непрерывные случайные величины.
- •Числовые характеристики случайных величин.
- •Свойства дисперсии.
- •Некоторые законы распределения. Биномиальный закон распределения.
- •Закон распределения Пуассона.
- •Полиномиальное распределение
- •Пример.
- •Равномерный закон распределения случайной величины.
- •Нормальный закон распределения случайной величины (закон Гаусса).
- •Стандартная форма нормального закона распределения.
- •Распределение «хи-квадрат».
- •График распределения.
- •Показательный (экспоненциальный) закон распределения.
- •Структурные характеристики распределения случайной величины.
- •Медиана.
- •Квантиль.
- •Системы случайных величин.
- •Свойства функции распределения.
- •Свойства плотности вероятности.
- •Математическое ожидание и дисперсия системы случайных величин.
- •Дисперсия двумерной случайной величины.
- •Условное математическое ожидание.
- •Свойства коэффициента корреляции.
- •Функции случайных величин. Функции одной случайной величины.
- •Функция двух случайных величин.
- •Случайные функции.
- •Свойства математического ожидания случайной функции.
- •Свойства дисперсии случайной функции.
- •Свойства корреляционной функции.
- •Свойства взаимной корреляционной функции.
- •Свойства корреляционной функции стационарной случайной функции.
- •Математическая статистика. Выборочный метод.
- •Свойства эмпирической функции распределения.
- •Статистические оценки параметров распределения. Точечные оценки.
- •Метод моментов.
- •Метод наибольшего правдоподобия.
- •Распределение дискретной случайной величины.
- •Распределение непрерывной случайной величины.
- •Распределение выборочных характеристик.
- •Пример 1.
- •Пример 2.
- •3.Распределение выборочной дисперсии.
- •Доверительные интервалы.
- •Проверка статистических гипотез.
- •1.Понятие статистической гипотезы.
- •Проверкa гипотезы о равенствt средних двух нормальных распределений с известными дисперсиями.
- •Двухвыборочный t-тест с одинаковыми и различными дисперсиями.
- •Двухвыборочный f-тест для дисперсий.
- •Парный двухвыборочный t-тест для средних значений.
- •Дисперсионный анализ.
- •Двухфакторный дисперсионный анализ без повторений и с повторениями
Метод наибольшего правдоподобия.
Метод наибольшего правдоподобия точечной оценки неизвестных параметров заданного распределения сводится к отысканию максимума функции одного или нескольких оцениваемых параметров.
Распределение дискретной случайной величины.
Пусть x – дискретная случайная величина, которая в результате n-опытов приняла возможные значения x1, x2,…, xn, при этом вид закона распределения случайной величины x задан, однако не известен параметр θ, которым определяется этот закон. Требуется найти его точечную оценку θ*.
Обозначим вероятность того, что в результате испытания случайная величина x примет значение xi как P(xi, θ).
Функцией правдоподобия дискретной случайной величины x называют L(x1, x2,…, xn, θ)=P(x1, θ)∙P(x2, θ) ∙ … ∙ P(xn, θ), то есть произведение вероятностей.
Оценкой наибольшего правдоподобия параметра θ называют такое значение θ*, при котором функция правдоподобия достигает максимума:
.
Так как функции l и lnL достигают максимума при одном и том же значении θ, то можно вместо отыскания максимума функции l вычислять максимум функции lnL. В ряде случаев это удобнее.
Для отыскания точки максимума функции необходимо вычислить производную функции lnL(θ)/dθ=0.
Решив это уравнение относительно параметра θ, получим значение аргумента θ*, при котором функция правдоподобия достигает экстремума.
Для проверки того, что функция правдоподобия достигает максимума в точке θ*, необходимо вычислить вторую производную lnL(θ)/dθ2.
Если она отрицательна, то функция правдоподобия достигает максимума.
Распределение непрерывной случайной величины.
Для непрерывной случайной величины считаем, что известна функция плотности вероятности f(x), но не известен параметр θ, которым определяется эта функция.
Функция правдоподобия в этом случае имеет такой же вид, как и для дискретного случая. Поэтому оценку наибольшего правдоподобия неизвестных параметров для распределения непрерывной случайной величины проводят таким же образом, как и для дискретной случайной величины.
Если функция плотности вероятности f(x) определяется двумя неизвестными параметрами θ1 и θ2, то функция правдоподобия является функцией двух неизвестных параметров θ1 и θ2
L(x1, x2,…, xn, θ1, θ2)=P(x1, θ1, θ2)∙P(x2, θ1, θ2) ∙ … ∙ P(xn, θ1, θ2).
Для отыскания экстремума функции берётся производная по первому и второму параметру и решается система с двумя неизвестными, откуда находят θ*1 и θ*2, которые определяют точку, в которой функция правдоподобия достигает максимума:
dL(θ1, θ2)/dθ1=0
dL(θ1, θ2)/dθ2=0.
Распределение выборочных характеристик.
Рассмотрим случайную величину x, которая имеет функцию распределения f(x). Пусть x1, x2,…, xn – выборка, состоящая из n значений случайной величины x. Любая величина, вычисленная по этим выборочным значениям, также будет случайной.
Рассмотрим, например, среднее значение выборки . Если из одной и той же случайной величины x извлекают ряд различных выборок объёма n, то , вычисленная по этим выборкам, будут, как правило, различаться между собой. Следовательно, выборочная средняя также представляет случайную величину, которая имеет некоторую функцию распределения f(x). Эту функцию распределения называют выборочным распределением выборочного среднего .
Рассмотрим некоторые общие выборочные распределения, часто встречающиеся на практике.
Распределение выборочного среднего при известной дисперсии.
Рассмотрим среднее значение выборки объёма n независимых наблюдаемых значений случайной величины x:
.
Исследуем случай нормального распределения случайной величины x с математическим ожиданием m x и известной дисперсией .
Математическое ожидание выборочного среднего значения составляет:
М[ ]=М[ ]= М[ ]=m x.
Таким образом, математическое ожидание выборочного среднего значения равно математическому ожиданию случайной величины x.
Кроме того, распределение выборочного среднего значения выборки нормально распределено.
Используя нормированное (гауссово) распределение, выборочное распределение среднего значения выборки можно описать при помощи преобразования:
.
D[ ]= D[ ]= .
(*).
Эта величина имеет нормированное (гауссово) распределение. Исходя из выражения (*), можно сделать следующее утверждение относительно среднего значения выборки до извлечения выборки.
P( > )=
где - квантиль нормального распределения уровня .
Необходимо отметить, что это утверждение остаётся справедливым лишь до извлечения выборки, так как после извлечения выборки вероятность того, что превышает некоторую заданную величину, равна 0 или 1.