- •Демонстрационная презентация курса
- •Лекция 1. Введение в теорию вероятностей
- •Равновозможные исходы
- •Классическое определение вероятности
- •Формулы комбинаторики
- •Выбор без возвращения
- •Выбор без возвращения
- •Статистическое определение
- •Статистическое определение
- •Лекция 2. Основания теории вероятностей
- •Событиями мы будем называть некоторые наборы элементарных исходов, то есть подмножества множества Ω.
- •Элементарные события
- •Комбинации событий
- •Сумма (объединение) событий
- •Противоположное событие
- •Вероятность в дискретном пространстве
- •Несчетное множество исходов
- •Аксиоматическое определение вероятности
- •Лекция 3.
- •Условная вероятность
- •Теорема сложения
- •Теорема умножения для двух событий
- •Теорема (формула полной вероятности)
- •Теорема (формула Байеса)
- •Лекция 4. Схемы испытаний
- •Теорема (формула Бернулли)
- •Предельные теоремы для схемы Бернулли
- •Теорема Пуассона
- •Приближенная формула Пуассона
- •Локальная приближенная формула
- •Свойства функции (x)
- •Интегральная приближенная формула
- •Свойства функции Ф(x)
- •Лекция 5.
- •Дискретные распределения
- •Ряд распределения
- •Биномиальное распределение B(n, p)
- •Пример
- •Распределение Пуассона P
- •Функция распределения
- •Лекция 6.
- •Геометрический смысл функции распределения
- •Равномерное распределение R [a, b]
- •Нормальное распределение N (a, )
- •Нормальное распределение N (a, )
- •Кривые плотностей N(a, σ) с различными а и σ
- •Плотность и функция распределения
- •Многомерные СВ
- •Лекция 7.
- •Математическое ожидание н.сл.в.
- •Математическое ожидание функции случайной величины
- •Дисперсия случайной величины
- •Числовые характеристики
- •Начальные и центральные моменты
- •Лекция 8. Линейная зависимость
- •Коэффициент корреляции
- •Свойства коэффициента корреляции
- •Смысл коэффициента корреляции
- •Уравнение линейной регрессии
- •Формулы уравнения линейной регрессии
- •Лекция 9. Условные распределения
- •Нахождение условной функции распределения
- •Условная плотность
- •Условное математическое ожидание
- •Регрессия
- •Корреляционное отношение
- •Лекция 10. Предельные теоремы
- •Сходимость по вероятности
- •Закон больших чисел (ЗБЧ)
- •Закон больших чисел
- •ЗБЧ в форме Чебышева
- •ЗБЧ в форме Бернулли
- •ЗБЧ в форме Хинчина
- •Центральная предельная теорема (ЦПТ)
- •Центральная предельная теорема для независимых одинаково распределенных сл. в.
- •Зависимость от числа слагаемых
- •Практическое значение ЦПТ
- •Лекция 11. Введение в
- •Основные понятия
- •Простая выборка
- •Эмпирическая функция распределения
- •Свойства эмпирической функции распределения
- •Группировка выборки
- •Параметры группировки
- •Графические характеристики выборки
- •Гистограмма и плотность
- •Лекция 12.
- •Числовые характеристики выборки
- •Способ получения выборочных формул
- •Замечание
- •Выборочное среднее
- •Выборочная дисперсия
- •Выборочный начальный момент порядка l
- •Выборочный центральный момент порядка l
- •Лекция 13. Распределение выборочных характеристик
- •Плотность распределения χ2 при разных k
- •Распределение Стьюдента
- •Плотность распределения Стьюдента
- •Распределение Фишера
- •Теорема Фишера
- •Теорема
- •Лекция 14. Точечное оценивание параметров
- •Точечные оценки
- •Несмещенность
- •Несмещенные оценки в N(a,σ)
- •Состоятельность
- •Оптимальность
- •Нижняя граница дисперсий
- •Эффективность
- •Оценка максимального правдоподобия
- •Метод максимального правдоподобия
- •Метод моментов
- •Лекция 15. Интервальное оценивание параметров
- •Уровень значимости α
- •Схема построения доверительного интервала
- •Доверительный интервал для параметра a распределения N(a, σ)
- •Квантили нормального распределения
- •Доверительный интервал для параметра a (при неизвестном σ) :
- •Доверительный интервал для параметра σ распределения N(a, σ)
- •Асимптотический доверительный интервал
- •Лекция 16. Проверка статистических гипотез
- •Проверка гипотезы
- •Критическая область
- •Если значение статистики попадает критическую область, то H0 отвергается.
- •Ошибка первого рода
- •Ошибка второго рода
- •Мощность критерия
- •Лекция 17. Проверка гипотез о параметрах
- •Общая схема проверки
- •Проверка гипотез о параметрах нормального распределения
- •Гипотеза о дисперсиях.
- •Лекция 18. Проверка гипотез о виде распределения.
- •Применение критерия Колмогорова
- •Правило проверки
- •Критерий согласия Пирсона χ2
- •Статистика критерия Пирсона
- •Правило проверки
Сходимость по вероятности
Последовательность случайных величин ξ1, ξ2 ,…, ξn сходится по вероятности
к сл. в. ξ, |
|
p |
|
|
n |
если для любого ε > 0 |
lim P(| n | ) 0
n
Закон больших чисел (ЗБЧ)
Определение. Говорят, что к
последовательности случайных величин
ξ1, ξ2 ,…, ξn с математическими ожиданиями
Mξi = ai, i = 0,1,…,n, применим закон больших чисел, если
|
n |
|
n |
|
|
i p ai |
|||
|
i 1 |
|
i 1 |
|
|
n |
n |
||
|
|
Закон больших чисел
Смысл: среднее значение случайных величин стремится по вероятности к среднему их математических ожиданий (то есть к
постоянной величине).
Замечание. ЗБЧ справедлив при некоторых условиях. Различные группы условий определяют разные формы закона больших чисел.
ЗБЧ в форме Чебышева
Теорема. Если для последовательности случайных величин {ξn} с математическими
ожиданиями Mξi=ai
и с дисперсиями Dξi=σ2i, i=0,1,…,n, выполняются условия:
1)сл.в. {ξn} независимы;
2)дисперсии всех сл.в. {ξn} ограничены одним и тем же числом, (σ2i ≤ A для всех i),
то к {ξn} применим ЗБЧ.
ЗБЧ в форме Бернулли
Теорема. Пусть осуществляется серия из n независимых опытов, проводимых по схеме Бернулли с параметром p, пусть m – число успехов, m/n – частота успехов в данной серии испытаний. Тогда
mn p p
ЗБЧ в форме Хинчина
Теорема. Для того, чтобы к последовательности случайных величин {ξn} был применим ЗБЧ, достаточно выполнения условий:
1)сл.в. {ξn} независимы;
2)сл.в. {ξn} одинаково распределены. Тогда
|
n |
|
|
i p |
|
|
i 1 |
a |
|
|
|
|
n |
|
Центральная предельная теорема (ЦПТ)
В теоремах этой группы выясняются условия, при которых возникает нормальное распределение. Общим для этих теорем является следующее обстоятельство: закон распределения суммы достаточно большого числа независимых случайных величин при некоторых условиях неограниченно приближается к нормальному.
Центральная предельная теорема для независимых одинаково распределенных сл. в.
Если случайные величины {ξn} независимы, одинаково распределены и имеют конечные
математические ожидания Mξi=a и дисперсии Dξi=σ2,… i=0,1,…,n, то при n→∞
|
n |
|
||
|
i na |
|
||
P |
i 1 |
x (x) |
||
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
т.е., |
i na |
u N (0,1) |
|||
i 1 |
|
|
|||
|
|
|
|||
|
n |
||||
|
|
Зависимость от числа слагаемых
Практическое значение ЦПТ
Многие случайные величины можно рассматривать как сумму отдельных независимых слагаемых.
Например: числа продаж некоторого товара;
объемы прибыли от реализации однородного товара различными производителями;
валютные курсы.
Из ЦПТ следует, что они приближенно нормально распределены.