- •3. Классическое определение вероятности
- •3. Классическое определение вероятности
- •6 Формула полной вероятности
- •7 Случайные величины и законы их распределения
- •10. Основные дискретные распределения.
- •11. Основные непрерывные распределения.
- •12. Закон больших чисел.
- •12.Правило трех сигм.
- •12.Теорема Бернулли.
- •12.Центральная предельная теорема.
- •12.Локальная предельная теорема Муавра-Лапласса.
- •12.Интегральная теорема Муавра-Лапласса.
- •13.Векторные случайные величины.
- •14. Условные распределения двумерной случайной величины.
- •15.Многомерные случайные величины.
- •18 Статистические оценки Точечные
15.Многомерные случайные величины.
Для непрерывной n - мерной случайной величины (случайного вектора)
X |
Δ = |
col(X1, ... , Xn), |
где X1, ... , Xn - скалярные СВ, функция распределения F(x) и плотность распределения f(x), которая неотрицательна, определяются следующим образом:
F(x1, ... , xn) |
Δ = |
P{X1 ≤ x1, ... , Xn ≤ xn} |
Δ = |
x1 ∫ -∞ |
... |
xn ∫ -∞ |
f(x1, ... , xn) dx1...dxn |
Основные харки(функция,плотности распределения,понятие незанятости)
Основные числовые характеристики(мат ожид, дисперсия,корреляц матрица,коэф корреляц,нормированная корреляционная марица)
Математическим ожиданием (МО) случайного вектора X называется вектор
M[X] |
Δ = |
mX |
Δ = |
col(m1, ... , mn), где |
mi |
Δ = |
M[Xi] , i = 1,n. |
Матрицу K размерности n x n с элементами
kij |
Δ = |
M[(Xi - mi)(Xj - mj)] |
называют ковариационной. Элементы kij ковариационной матрицы являются ковариациями СВ Xi и Xj при i ≠ j, а диагональные элементы kij - дисперсии СВ Xi, т.е.
kij |
Δ = |
di |
Δ = |
(σi)2 = M[(Xi - mi)2] , i = 1,n. |
Дисперсии di, i = 1,n, характеризуют рассеивание реализаций компонент случайного вектора относительно средней точки mX = col(m1,..., mn), а ковариации kij - степень линейной зависимости между СВ Xi и Xj. В частности, по свойству 2)kXY при линейной связи между Xi и Xj ковариация между ними равна kij = ±σiσj. Так как по свойству 1)kXY всегда |kXY| ≤ σiσj, то при линейной зависимости между Xi и Xj модуль |kij| максимален.
Нормированную ковариационную матрицу R, элементами которой являются коэффициенты корреляции rij, называют корреляционной матрицей
безразмерную величину , определяемую соотношением.
(73) |
и называемую коэффициентом корреляции.
16. основные задачи математической статистики.Занимается методами обработки опытных данных, полученных в рез-те наблюдения над случайными явлениями. Задачи мат стата:1)указать способы сбора и группировки стат. сведений, полученных в рез-те наблюдения за случ. процессами. 2)Разработка методов анализа стат. Данных в зависимости от цели исследования. Генеральная и выборочная совокупность. Ген совокупность-множество объектов, из которых производится выборка.Выборочная совокупность-сов-ть случайно отобранных объектов из генеральной совокупности. Повторная и бесповторная выборка.Повторная – при которой отобранный объект возвращается в ген совокупность. Бесповторная – при которой отобранный объект не возвращается в ген совокупность.Репрезентативность выборки.Выборка является репрезентативной, когда достаточно полно представлены изучаемые признаки генеральной совокупности.Условием обеспечения репрезентативности выборкия явл, соблюдение случайности отбора, т.е. все обекты ген выборки имеют равную возм попать в выборку. Теоретическая ФР. по определению, F(x)= mх/n, где n - объем выборки, mх - число выборочных значений величины X, меньших х. В отличие от выборочной функции F(x) интегральную функцию F(x) генеральной совокупности называют теоретической дикцией распределения. Главное различие функций F(x) и F(x) состоит в том, что теоретическая функция распределения F(x) определяет вероятность события Х<х, а выборочная функция - относительную частоту этого события. Статистическое распределение выборки. Распред в тоер вероят – соответствие м/у возможными значениями случ. вел-ны и их вероятностями. Распред в мат статист-соответствие м/у наблюдаемыми вариантами и их частотами.Перечень вариантов и соответствующих частот или частостей назыв статистическим распред выборки. Эмпирическая функция распределения называется функция определяющая для каждого значения х частость события {X<x}: =p*{X<x}. Для нахожд значений эмпирической ф-ии удобно записать в виде=Nx/n, n-объем выборки,Nx-число наблюдений, меньших х. Эмпирическая функция распределения явл оценкой вероятности события {X<x},т.е. оценкой теоретической функции распределения F(x) с.в.Х Гистограмма, полигон относительных частот.Гистограммой частот называют ступнчатую фигуру, состоящую из прямоугольников, основаниями которых служат частичные интервалы длины h, а высоты равны отношению Ni/h-Плотность частоты.)площадь гистограммы частот равна объему выборки, а площадь гистограммы частостей равна единице. Полигон относит частот- ломаная, отрезки которой соединяют точки(xi p* i;) Статистические оценки параметров распределения (выборочная средняя, групповая, общая среднее, выборочная дисперсия.) Выборочным средним ¯xв называется среднее арифметическое всех значений выборки: ¯xв= 1/n∑хini ; Групповая средняя – ср. арифметическое значение признака,
i=1
принадлежащее группе. Общая средняя – ср. арифметическое знач. признака, принадлежащее всей сов-ти. Выборочная дисперсия – ср. арифметическое квадратов отклонения наблюдаемых значений признака от их ср. значения. .Если данные наблюдений представлены в виде дискретного вариационного ряда, причем x1, x2, x3, ..., xn - наблюдаемые варианты, a m1, m2, m3, ..., mv - соответствующие им частоты, то выборочная дисперсия определяется формулой:
Формула для вычисления дисперсии. Dв=х¯2-[х¯]2 (ср.арифметический квадрат значений выборки-квадрат общей средней) Док-во:
17. Основные распределения в математической статистике Распределение хи-квадрат Пусть Uk, k = 1,n, - набор из n независимых нормально распределенных СВ, Uk ~ N(0,1). Тогда СВ
X |
Δ = |
n ∑ k=1 |
Uk2 |
имеет распределение хи-квадрат (χ2-распределение) с n степенями свободы, что обозначается X ~ X2(n). СВ X имеет следующую плотность распределения:
fX(x)= |
{ |
1 2(n/2)Γ(n/2) 0 |
x(n/2)-1e-x/2 |
, , |
x ≥ 0, x < 0, |
где
Γ(m) |
Δ = |
+∞ ∫ 0 |
ym-1e-y dy - гамма-функция. |
Графики функции fX(x) (см. рис. 1), называемые кривыми Пирсона, асимметричны и, начиная с n ≥ 2, имеют один максимум в точке x = n - 2.
Характеристическая функция СВ X имеет вид:
gX(t) = |
+∞ ∫ -∞ |
fX(x)eitx dx = (1 - 2ti)-n/2. |
Начальные моменты СВ X находятся по свойству 3)gX(t):
ν1 = |
1 i |
d dt |
g(t) |
| |
t =0 |
= - |
n 2i |
(-2i)(1 - 2ti)-(n/2)-1 |
| |
t =0 |
= n, |
ν2 = |
1 i2 |
d2 dt2 |
g(t) |
| |
t =0 |
= |
n i |
(-2i)(- |
n 2 |
- 1)(1 - 2ti)-(n/2)-2 |
| |
t =0 |
= n2+2n, |
D[X] = ν2 - ν12 = n2 + 2n - n2 = 2n. |
Сумма любого числа m независимых СВ Xk, k = 1,m , имеющих распределение хи-квадрат с nk степенями свободы также имеет распределение хи-квадрат с
n |
Δ = |
n ∑ k=1 |
nk |
степенями свободы. Это можно доказать, используя свойства характеристической функции.
Распределение Стьюдента Пусть U и X - независимые СВ, U ~ N(0,1), X ~ X2(n). Тогда СВ
|
T |
Δ = |
U√n / X |
имеет распределение Стьюдента с n степенями свободы, что обозначают как T ~ S(n). СВ T имеет плотность распределения
fT(x) = |
Γ((n+1)/2) √nπ Γ(n/2) |
(1+ |
x2 n |
)-(n+1)/2 . |
1 Графики функции fT(x) (рис.2), называемые кривыми Стьюдента, симметричны при всех n = 1,2,... относительно оси ординат.
Рисунок 2.
2Можно показать, что при n → ∞ плотность вероятности распределения СВ T ~ S(n) сходится к плотности вероятности стандартного нормального распределения N(0,1), т.е.
fT(x) → |
1 √2π |
exp(-x2 / 2) , n → ∞ . |
Действительно, пусть n = 2m. Тогда
(1+ |
x2 n |
)-(n+1)/2 = (1 + |
x2 2m |
)-m-(1/2) . |
Если n → ∞ и m→ ∞, то согласно известному замечательному пределу получим
(1+ |
x2 2m |
)-1/2 (1+ |
x2 2m |
)-m → exp{-x2/2}. |
Таким образом,
fT(x) → k exp{-x2/2} при n → ∞. |
Так как fT(x) удовлетворяет условию нормировки, то и предельная функция должна удовлетворять условию нормировки, т.е. являться плотностью. Поэтому из условия нормировки плотности получаем
Γ((n+1)/2) √nπ Γ(n/2) |
→ k = |
1 √2π |
при n → ∞. |
При n > 30 распределение Стьюдента практически не отличается от N(0,1). Однако при n ≤ 30 отличия существенны.
Замечание 3. При n = 1 распределение Стьюдента S(1) совпадает с распределением Коши, плотность которого равна
f(x) = |
1 π |
1 1+x2 |
, |
т.к. при n = 1 имеем Γ(1/2) = 1 / √π, Γ(1) = 1. Особенность распределения Коши состоит в том, что у него нет ни одного начального момента νr, r ≥ 1, так как расходятся несобственные интегралы
νr |
Δ = |
1 π |
∞ ∫ -∞ |
xr x2+1 |
dx. |
Любопытно, если попробовать вычислить МО M[T] СВ T, имеющей распределение Коши, как предел значений определенного интеграла на отрезке [-a,a], то можно получить неверный ответ:
l i m n→∞ |
1 π |
a ∫ -a |
x x2+1 |
dx = 0 . |
Распределение Фишера Пусть независимые СВ Xn и Xm имеют распределения хи-квадрат с n и m степенями свободы соответственно. Тогда СВ
X |
Δ = |
Xn / Xm |
имеет распределение Фишера с n и m степенями свободы, что записывают как X ~ F(n,m). 1 СВ X имеет плотность fX(x) = 0 при x < 0 и
fX(x) = |
Γ((n+m)/2) Γ(n/2)Γ(m/2) |
nn/2mm/2 |
x(n/2)-1 (m+nx)(n+m)/2 |
, x ≥ 0. |
Графики функции fX(x) (см. рис.3), называемые кривыми Фишера , асимметричны и достигают максимальных значений в окрестности точки
x = |
(n-2)m (m+2)n |
, |
близкой к единице.
2Распределение Фишера используют, например, при сравнении выборочных дисперсий для нормальных СВ. В частности, распределение F(n,m) имеет следующая СВ:
X |
Δ = |
[ |
1 n |
n+1 ∑ k=1 |
(Xk - |
^ MX |
)2] / [ |
1 m |
m+1 ∑ k=1 |
(Yk - |
^ MY |
)2] , |
где СВ X1, ... , Xn+1 , Y1, ... , Ym+1 - независимы и имеют нормальное распределение: Xi ~ N(mX,σ), Yi ~ N(mY,σ).