- •Глава 1. События.
- •§1 Логические основы т.В.
- •§2 Испытания, события, операции над событиями.
- •§3 Классическое определение вероятности.
- •§3 Примеры вероятностных пространств.
- •§4 Условные вероятности. Формула умножения событий.
- •§5 Независимые и зависимые события.
- •Независимость попарная и независимость в совокупности Определение попарной независимости
- •Определение независимости в совокупности.
- •§6 Формула полной вероятности и формула Байеса. Формула полной вероятности
- •Формула Байеса
- •Глава II
- •§1 Формула Бернулли
- •Формула Бернулли
- •§2 Предельные теоремы Бернулли
- •Формула Лапласа или интегральная формула Лапласа
- •Глава 3. Случайные величины.
- •§1 Определения и основные понятия.
- •§2 Дискретные случайные величины.
- •1. Распределение Бернулли
- •2. Биноминальное распределение
- •3. Распределение Пуассона
- •4. Геометрическое распределение
- •1. Равномерно распределение.
- •2. Показательное или экспоненциальное распределение:
- •3. Распределение Коши
- •4. Нормальное (Гауссово) распределение
- •1) Распределение Бернулли
- •§2 Специальные функции математической статистики.
- •1 Распределение Стьюдента
- •2 Распределение Карла Пирсона
- •Свойства случайной величин с симметричной (четной) плотностью распределения.
- •§3 Доверительные интервалы для генеральной средней нормального распределения
- •2) Построение доверительного интервала для неизвестного генерального среднего в случае неизвестной дисперсии
- •§4 Доверительные интервалы для дисперсии.
- •§5 Доверительный интервал для неизвестной вероятности успеха.
- •III Математическая статистика.
- •Глава I Оценки параметров.
- •§1 Основные понятия.
- •§2 Точечные оценки параметров.
- •Свойства оценок
- •Другие два важных свойства оценок состоятельность и эффективность.
- •§3 Методы построения точечных оценок параметров.
- •Метод максимального подобия построения оценок.
- •Оценка параметров нормального распределения.
- •Оценка параметров геометрического распределения.
- •Оценка параметров экспоненциального распределения.
- •Оценка параметров распределения Пуассона.
- •Метод Монте-Карло.
- •§1 Основные определения и понятия.
- •§2 Генерирование значений дискретных случайных величин.
- •§3 Генерирование случайных величин с непрерывным законом распределения (методы)
- •Генерирование случайной величины подчиняющейся нормальному распределению.
- •§4 Генерирование траекторий случайных процессов.
- •Генерирование траекторий непрерывных случайных величин.
- •I Марковские процессы с дискретным временем.
- •§1 Основные понятия.
- •Основное свойство матрицы перехода дискретной цепи Маркова.
- •§2 Предельные теоремы.
- •Глава III Проверка статистических гипотез.
- •§1 Основные понятия и терминологии.
- •§2 Проверка гипотез о значении генеральной средней нормально распределенных случайных величин.
- •1) Построение критерия для проверки h0 против h1 при известном δ
- •2) Построение критерия для проверки гипотезы h0 против h1, при δ - не известном.
- •1) Параметр a известен
- •2) Проверка гипотезы о значении дисперсии, когда генеральное среднее а не известно.
- •§4 Проверка гипотезы о значении генеральной доли.
- •§5 Проверка гипотеза о достоверности различий средних значений.
- •§6 Критерий к. Пирсона. Хи-квадрат для проверки гипотез о законе распределения.
- •2 Примеры использования критерия χ2.
- •3 Применение критерия χ-квадрат для исследования вопроса о зависимости ил независимости признаков.
§5 Доверительный интервал для неизвестной вероятности успеха.
Рассмотрим следующую задачу: дана случайная величина с вероятностями 0 и 1, qиpсоответственно, ноp+q= 1 (1 - успех, 0 – неуспех) Вероятность успехаp- неизвестна и требуется построить для нее доверительный интервал по выборке. ВыборкаV=nсостоит из нулей и единиц, поэтому можно сказать, что к единиц в выборке (успехов). Мы знаем, что несмещенная оценка вероятности успеха дается равенством:
(1) P*=k/n
Мы знаем, что дисперсия этой случайной величины:
(*) Dξ=P(1 –P) - Теория вероятности распределения Бернулли
В §3 мы говорили, что доверительные интервалы для нормального распределения можно использовать и для других как приближенный.
Для рассматриваемого распределения
(**)Mξ=P
(***)
учитывая, что генеральное среднее а = Mξиз (3.5) из(*) (**) (***)получаем ≈ доверительный интервал для неизвестной вероятности успеха:
(2)
где γ = 1 – α - уровень доверия
Пример:при социологическом обследовании студентов 2-го курса, что из 100 студентов 15 никогда не употребляли спиртных напитков, надо построить доверительный интервал для доли студентов непьющих для уровня доверия 0,95
Решение:находимk= 15,n= 100,γ= 0,95,α= 0,05, по таблице:U0,975≈ 1,96
из (2)получаем:
В (2)- вероятность успехаPнеизвестна, тоP->P*из (1)(как мы и сделали в примере). Окончательно получаем
Теорема 1
(3)
является приближенным доверительным интервалом для неизвестной вероятности успеха Pпри уровне доверия γ = 1- α
n- число испытаний
k- число успехов
U- квантиль стандартного нормального распределения.
III Математическая статистика.
Глава I Оценки параметров.
§1 Основные понятия.
До сих пор мы предполагали, что исследуется случайная величина с известным законом распределения, однако в большинстве реальных ситуаций исследование случайной величины или процесс точно не известны и требуется оценить закон распределения по экспериментальным данным, кроме того, часто возникает задача определения взаимосвязи между случайными характеристиками или явлениями, это - также задача математической статистики.
Примеры задач математической статистики:
1) выяснить, существует ли связь между компьютером и остротой зрения
2) определение среднего времени работы электролампы, это тоже определяется по реальным данным и т.д.
Таких реальных задач очень много, их решение основывается на очень больших данных и конечно при этом используются компьютеры и современные статистические пакеты.
В математической статистике используется терминология несколько отличная от теории вероятности.
Например:закон распределения исследуемой случайной величины называется генеральной совокупностью.
Например:пусть есть склад с 107электролампами. Необходимо ценитьtслужбы некоторой из ламп в статистике, используется другой подход - из всех ламп случайно отбирают небольшую часть называемуювыборочной совокупностьюиливыборкойи по ней оценивают интересующие характеристики, все множество ламп - это как бы генеральная совокупность. Время работы = случайная величинаξс точки зрения теории вероятности или генеральная совокупность. Выборочное значение обычно обозначают черезx1,x2, …xn, n -называетсяобъемом выборки, каждоеxi- это (с одной стороны) реальное число, полученное при измерении, с другой стороны - это случайная величина до тех пор, пока измерение не произведено, подчиняющаяся тому же распределению, что и исследуемая.