- •1.Основные понятия теории вероятностей. Классическое, статистическое и геометрическое определения вероятности. Основные понятия тв.
- •Статистическое определение вероятности
- •Геометрическое определение вероятности
- •2. Алгебраические операции над событиями. Отношение м/д событиями. Аксиоматическое определение вероятности события. Отношение м/д событиями
- •Аксиоматическое определение вероятностей события
- •3.Основные свойства вероятностей. Правило сложения вероятностей. Условные вероятности. Теорема умножения вероятностей. Независимые события.
- •4.Формула полной вероятности. Формула Байеса.
- •5.Повторение испытаний. Формула Бернулли.
- •6.Локальная и интегральная теоремы Лапласа.
- •7. Вероятность отклонения относительной частоты от постоянной вероятности в независимых испытаниях.
- •8. Наивероятнейшее число появлений события при повторных испытаниях по схеме Бернулли.
- •9. Случайные величины. Закон распределения вероятностей. Биноминальное распределение. Геометрическое распределение.
- •10. Распределение Пуассона.
- •11. Функция распределения св и ее свойства.
- •12. Непрерывные св. Равномерный закон распределения.
- •13 Показательный закон распределения. Нормальный закон распределения.
- •14 Многомерные случайные величины. Ф-ция распределения многомерной случайной величины, её свойства.
- •15 Двумерные непрерывные св. Плотность распределения вероятностей двумерной св, её свойства
- •16 Двумерные св. Условные законы распределения.
- •17 Независимые случайные величины. Критерий независимости.
- •18 Функции случайных величин, их законы распределения.
- •19.Числовые характеритики св.
- •20.Моменты распределения одномерной св.
- •21.Ковариация и коэффициент линейной корреляции 2 св, их свойства.
- •22.Условное мат ожидание
- •23. Двумерное нормальное распределение. Условие независимости некоррелированных св.
- •24.Теорема об условных распределениях компанент двумерной нормально распределенной св.
- •25 Характеристические функции случайных величин, их свойства. Примеры
- •26. Неравенства Маркова и Чебышева.
- •27. Теорема Чебышева. Теорема Маркова.
- •28. Центральная предельная теорема.
- •29. Теорема Ляпунова. Интегральная теорема Лапласса.
- •30. Распределение выборки. Эмпирическая функция распределения.
- •33. Оценка дисперсии случайной величины.
- •34. Неравенство Рао-Крамера. Следствие для несмещенной оценки
- •35. Эффективная оценка мат. Ожидания нормальной распределенной величины.
- •36. Асимптотически эффективные и сверх эффективные оценки. Теорема о состоятельности оценки.
- •37. Условные законы распределения. Условное мат. Ожидание.
- •38.Достаточные статистики. Критерий факторизации
- •39.Теорема Колмагорова – Блекуэлла.
- •41. Метод моментов
- •42. Распределение….
- •43. Распределение Стьюдента.
- •44. Теоремы о случайной величине, имеющей распределение Стьюдента.
- •45. Распределение Фишера. Теорема о случайной величине, имеющей распределение Фишера
- •46 Доверительный интервал для мат. Ожидания нормально распределенной с.В.( -неизвестно)
- •47 Доверительный интервал для мат. Ожидания нормально распределенной с.В.( -известно)
- •48 Доверительный интервал для дисперсии нормально распределеннной с.В.
- •55 Проверка гипотезы о равенстве двух дисперсий нормально распределенный с.В.
33. Оценка дисперсии случайной величины.
Док-жем, что -состоятельн. оценка дисперсий случ. величины х.
Рассм. I:это есть среднее арифметическое n независимых одинаково распределенных СВ согласно з-ну больших чисел (следствие т.Чебышева) при имеем:
(1)
Рассм. II: также в силу закона больших чисел. , поэтому (2)
Из выше сказанного следует, что . Т.о. -состоятельная оценка(хотя и смещенная).
34. Неравенство Рао-Крамера. Следствие для несмещенной оценки
35. Эффективная оценка мат. Ожидания нормальной распределенной величины.
Опр.Несмещен. Оценка пар-ра , для которой в нер-ве Рао-Крамера достигается знак равенства,т.е. наз. эффективной.
Пусть Х случайная величина, имеющая нормальный закон распределения с параметрами и .
Пусть выборка ( явл. реализацией случайного вектора , где случайные величины независимы и распределены так же как и случайные величины Х.
Покажем, что -эффективная оценка параметра , т.е. имеем
-считаем известным, а - неизвестным. Вычислим информацию Фишера .
36. Асимптотически эффективные и сверх эффективные оценки. Теорема о состоятельности оценки.
Определение: несмещенная оценка называется асимптотически эффективной оценкой параметра , если D( )*Jn( )=1
D( )=1/ Jn(ϴ)
Определение : Если условия дифференцирования интегралов по параметру при котором доказывается неравенства Рао-Крамера не выполняется, то может существовать несмещенная оценка дисперсия которой меньше чем нижняя граница в неравенстве Рао-Крамера. Такая оценка называется сверхэффективной.
= (X1, ... , Xn)
Если M( ) , а D( ) при n , то - является состоятельной.
Д-во :
В силу неравенства Чебышева (*):
значит и p . . Обозначим =
В силу условия при : >2*
Возьмем n-настолько большое, чтобы выполнялось это неравенство: 2* > , так как
Тогда > }
В силу (*) получаем, что при . Значит - состоятельная оценка.
Ч.т.д.
37. Условные законы распределения. Условное мат. Ожидание.
Дискретное распределения. Рассм. случ. метод =(X1, ... , Xn), где Xi – случ. вел. Пусть – имеет дискр. распр.: P{ =X}=p(x)=p(x1, ... , xn). x- пробегает конечное или счетное множество возможных значений . По свойствам этих вероятностей: p(x) . Рассмотрим функцию : t=t(x1, ... , xn). В дальнейшем вместо функции t(x1, ... , xn) можно рассматривать вектор функцию t(x). Определение:Условным распределением при условий t( )=t (t-фиксир) назовем совокупность условных вероятностей P(x|t)=P{ =X|t( )=t}.
Если x и t таковы, что t(x) t, то очевидно, что p(x|t))=0
Замечание : В дальнейшем считаем, что t(x)=t
Выразим усл. вер. p(x|t), через вероятность p(x).P{ =X|t( )=t}= (*)
Доп. усл. на t: t – выбирается таким, чтобы знаменатель последней дроби не был равен нулю, другими словами, чтобы на линии уров-ня было хотя бы одно с ненулевой вероятностью.Пусть g(x) – числовая функция от векторного аргумента x=(x1, ... , xn), тогда g( ) – случ. величина, ее мат ожидание: M[g( )]=
Условное мат. ожидание случайной величины g( ), при t( )=t определяется с помощью условного распределения.
Определение.Условное мат ожидание случайной величины g(X) при условии t( )=t обозначим M[g( )|t( )=t]= . В силу (*) имеем :
M[g( )|t( )=t]= .
Условное мат. ожидание : M{g( )|t( )=t} – обозначение ее g1(t). Вместо t в эту функцию подставим случ. величину t( ), мы получим, что усл мат ожидание есть случайная величина g1( )
M[g1( )]=
=
Т.о. мы доказали: M[g( )]=M[M(g( )|t)] (****)
Т. е. при вычислении мат. ожидания случ. величины g( )сначало можно вычислить условное мат. ожидание g( ), при условии t( )=t , а затем осреднить это усл. мат. ожидание по вероятностям условий.
Непрерывное распределение. Пусть - имеет непрерывное распределение и t(x)=t(x1, ... , xn) – некоторые функции от n-переменных.
Определение : предел при след. величины:
назыв. усл. плотностью случайного вектора при условии t( )=t и обозн. p(x|t). Пусть g(x) – некоторая функция (x1, ... ,xn). Усл. мат ожидание случ величины g( ) при условии t( )=t определяется: M{g( )|t( )=t}= . Формула (***) имеет место и в случае, если имеет непрерывное распределение.