- •А.А. Халафян
- •Лекция 1. Теории вероятностей. История возникновения. Классическое определение вероятности
- •Классическое определение вероятности
- •Лекция 2. Теоремы сложения и умножения вероятностей. Статистическое, геометрическое определение вероятности
- •Статистическое определение вероятности
- •Геометрическое определение вероятности
- •Последовательность испытаний. Формула Бернулли
- •Лекция 3. Аксиоматическое построение теории вероятностей. Аксиоматика колмогорова
- •Лекция 4. Случайная величина. Функция распределения
- •Основные свойства функции распределения
- •X1 x2 … xn …, причём xn→-∞, n→∞.
- •Лекция 6. Интегральная теорема муавра–лапласа, теорема бернулли
- •Лекция 7. Непрерывные случайные величины
- •Свойства непрерывной случайной величины
- •Законы распределения непрерывных случайных величин Равномерное распределение
- •Экспоненциальное распределение
- •Нормальное распределение
- •Лекция 8. Понятие многомерной случайной величины
- •Аналогично закон распределения y имеет вид
- •Лекция 9. Функция распределения многомерной случайной величины
- •Плотность вероятностей двумерной случайной величины
- •Лекция 10. Свойства плотности вероятностей двумерной случайной величины
- •Лекция 11. Функции от случайных величин
- •Лекция 12. Теорема о плотности суммы двух случайных величин
- •Лекция 13. Распределения стьюдента, фишера .Числовые характеристики случайных величин
- •Числовые характеристики случайных величин
- •Свойства математического ожидания случайной величины
- •Лекция 14. Числовые характеристики случайных величин (продолжение)
- •Другие характеристики центра группирования случайной величины
- •Характеристики вариации случайной величины
- •Свойства дисперсии
- •Свойства среднеквадратического отклонения
- •Лекция 15. Вычисление дисперсии основных распределений
- •Лекция 16. Числовые характеристики меры связи случайных величин
- •Лекция 17. Предельные теоремы теории вероятностей. Неравенство чебышева. Закон больших чисел
- •Неравенство Чебышева
- •Закон больших чисел
- •Закон больших чисел для одинаково распределенных случайных величин
- •Закон больших чисел в форме Бернулли
- •Лекция 18. Центральная предельная теорема
- •Лекция 19. Математическая статистика. Предмет математической статистики. Вариационные ряды
- •Лекция 20. Средние величины. Показатели вариации
- •Свойства среднего арифметического
- •Показатели вариации (изменчивости) вариационного ряда
- •Свойства дисперсии
- •Статистическая выборка
- •Лекция 21. Оценка параметров генеральной совокупности
- •Лекция 22. Точечные и интервальные оценки параметров распределения Метод наибольшего правдоподобия
- •Метод моментов
- •Интервальная оценка
- •Лекция 23. Проверка статистических гипотез
- •Лекция 24. Проверка гипотезы о равенстве средних
- •Проверка гипотезы о равенстве дисперсий
- •Проверка гипотезы о законе распределения
- •Лекция 25. Элементы регрессионного и корреляционного анализов
- •Линеаризующие преобразования
- •Линейный множественный регрессионный анализ
- •Множественный корреляционный анализ
- •Библиографические ссылки
Лекция 13. Распределения стьюдента, фишера .Числовые характеристики случайных величин
Распределение Стьюдента (t-распределение)
Пусть Х0, Х1, …,Х – независимы и Хi ~ ~N(0;σ), σ>0, тогда случайная величина имеет по определению t-распределение c степенями свободы. Плотность распределения Стьюдента имеет вид
.
Если ν → ∞, то распределение Стьюдента стремится к нормальному распределению.
График плотности распределения симметричен относительно прямой х = 0. По виду он напоминает нормальное распределение, но он более «пологий», с утяжеленными хвостами.
Обозначим F(x, σ) – функцию распределения случайной величины t. Если Хi ~ N(0;σ), то случайные величины также независимы и Yi ~ N(0, 1). Тогда
.
Таким образом, t-распределение не зависит от параметра σ.
Аналогично предыдущему можно показать, что если Xi – независимы, и Хi ~ N(a;σ), то распределение Стьюдента имеет также величина .
Если Хi ~ N(0, 1), i =1, …,, то получим, что распределение Стьюдента имеет случайная величина , где имеет 2-распределение.
Распределение Стьюдента табулировано и используется в различных приложениях математической статистики (например, при проверке гипотезы о равенстве средних).
Распределение Фишера (F-распределение)
Пусть Х0, Х1, …, Хn1, Хn1+1, …, Хn1+n2 – независимые нормально распределенные случайные величины Хi ~ N(0;σ), i = 1,2, …, n1+n2. Тогда случайная величина имеет распределение Фишера со степенями свободы n1, n2. Распределение Фишера также не зависит от параметра , т.е.
.
Если Xi – независимые и Хi ~ N(a;σ), то
имеет распределение Фишера.
Положим = 1, получим, что распределение Фишера имеет случайная величина
,
где – случайные величины, имеющие распределение .
При больших n1, n2 распределение Фишера приближается к нормальному.
Распределение Фишера табулировано и используется в различных приложениях математической статистики (например, при проверке гипотезы о равенстве дисперсий).
Числовые характеристики случайных величин
Функция распределения (или плотность распределения) дает полную информацию о случайной величине. Однако часто бывает достаточно знать одну или несколько числовых характеристик случайной величины, которые давали бы менее полное, но более наглядное представление о случайной величине. В большинстве случаев достаточно знать некоторое «среднее» число, вокруг которого группируются все значения случайной величины (центральную тенденцию случайной величины), и ту или иную характеристику вариации значений случайной величины (степень рассеивания).
Основной наиболее употребляемой характеристикой центральной тенденции является математическое ожидание МХ случайной величины.
Определений 1. Пусть Х – дискретная случайная величина, , , тогда
, (1)
если ряд сходится абсолютно.
Определений 2. Пусть Х – непрерывная случайная величина, p(x) – плотность распределения, тогда
, (2)
если интеграл сходится абсолютно.
Найдем математические ожидания случайных величин некоторых известных законов распределения.
1. Пусть Х имеет пуассоновское распределение с параметром .
, >0, m = 0, 1, 2,…
По формуле (1) имеем . Следовательно,
МХ = . (3)
2. Пусть Х имеет экспоненциальное распределение с параметром ,
.
По формуле (2) имеем
.
Следовательно
МХ = . (4)
Пусть Х имеет равномерное распределение на интервале [a,b]
.
Тогда по формуле (2) имеем
Следовательно
МХ = . (5)
Определим некоторые операции над дискретными случайными величинами.
Произведением сХ случайной величины Х на постоянную величину с называется случайная величина, которая принимает значения схi с теми же вероятностями рi.
Суммой (разностью или произведением) случайных величин Х и Y называется случайная величина, которая принимает все возможные значения вида xi + yj (xi – yj xiyj) с вероятностями pij, того, что случайная величина Х примет хi, а Y – значения yj (i = 1,2, …, n; j = 1,2, …, m)
pij = P[(X = xi), (Y = yj)].
Если случайные величины X и Y независимы, т.е. независимы любые события Х = хi, Y = yj, то по теореме умножения вероятностей для независимых событий имеем
pij = P[(X = xi),(Y = yj)] = pipj.
Теорема 1. Если Y = φ(X) – функция непрерывного случайного аргумента Х, возможные значения которого принадлежат всей оси ОХ, а р(х) – плотность распределения Х, то
,
если интеграл сходится абсолютно.
Эта теорема справедлива и для конечного отрезка возможных значений Х.
Теорема 2. Пусть Х – дискретная случайная величина принимающая значения х1, х2, …, хn, Р(Х = хi) = pi, φ(х) – некоторая функция, тогда
,
если ряд сходится абсолютно.