- •Основні задачі, які розв'язуються в математичній статистиці. Характеристика методів розв'язування цих задач. Приклади.
- •Варіаційні ряди. Інтервальний і дискретно варйований варіаційні ряди. Вибір початку та довжини першого інтервалу. Приклади.
- •Властивості вибіркового середнього
- •Вибіркова дисперсія. Різні формули обчислення вибіркової дисперсії, в яких випадках вони застосовуються. Зміст усіх параметрів формул. Приклади.
- •Теореми
- •Твердження
- •Полігон частот та полігон відносних частот. Гістограма, імовірнісний зміст: а) фігури, обмеженої гістограмою, б) кривої, що з'єднує середини верхніх основ прямокутників гістограми. Приклади.
- •Вибіркові статистики. Для чого вони вводяться і які параметри оцінюють. Приклади.
- •14. Точкове оцінювання
- •Особливість
- •21. Розподіл Кочрена. Приклад критерію, що в певних умовах має такий розподіл. При перевірці яких статистичних гіпотез він використовується. Приклади.
- •22. Розподіл Пуасона. Перевірка гіпотези про розподіл Пуасона для генеральної сукупності. Приклади.
- •24. Інтервали надійності для дисперсії нормально розподілених генеральних сукупностей, їх імовірнісний зміст. Як впливає збільшення надійної ймовірності на довжину надійного інтервалу. Приклади.
- •26. Статистичні гіпотези. Основна і альтернативна гіпотези. Приклади. Основні відомості про перевірку статистичних гіпотез. Рівень значущості. Приклади.
- •27. Помилки першого і другого роду. Їх наслідки. Критична область. Область прийняття гіпотези. Критичні точки. Лівостороння, правостороння і двостороння критичні області та їх пошук. Приклади.
- •28. Порівняння дисперсії нормальної генеральної сукупності з гіпотетичною дисперсією. Пошук критичних областей в залежності від альтернативної гіпотези. Приклади.
- •29. Порівняння математичного сподівання генеральної сукупності з гіпотетичним математичним сподіванням, якщо дисперсія відома. Приклади.
- •30. Порівняння математичного сподівання генеральної сукупності з гіпотетичним математичним сподіванням, якщо дисперсія невідома. Приклади.
- •31.Порівняння дисперсій двох нормальних генеральних сукупностей. Пошук критичних областей в залежності від альтернативної гіпотези. Приклади.
- •33.Порівняння математичних сподівань двох нормально розподілених генеральних сукупностей з однаковими дисперсіями. Пошук критичних областей в залежності від альтернативної гіпотези. Приклади.
- •34.Критерії згоди. Критерій згоди Пірсона перевірки гіпотези про довільний закон розподілу. Перевірки гіпотези для розподіл Пуасона генеральної сукупності.
- •35.Критерії згоди. Критерій згоди Пірсона перевірки гіпотези про довільний закон розподілу. Схема перевірки гіпотези про нормальний розподіл генеральної сукупності.
- •36.Факторний аналіз. Основні гіпотези, які перевіряються у факторному аналізі. Особливості перевірки цих гіпотез при рівній кількості спостережень на різних рівнях фактору.
- •39. Критерій Кочрена. Приклад його застосування. Як слід діяти, якщо гіпотеза про рівність дисперсій не підтвердилася.
- •37.Факторний аналіз. Основні гіпотези, які перевіряються у факторному аналізі. Особливості перевірки цих гіпотез при неоднаковій кількості спостережень на різних рівнях фактору.
- •38. Критерій Бартлетта. Приклад його застосування. Як слід діяти, якщо гіпотеза про рівність дисперсій не підтвердилася
- •63. Закони великих чисел. Приклади.
- •Слабкий закон великих чисел
- •Посилений закон великих чисел
- •Різниця між слабким і посиленим законами великих чисел
- •Звч Бореля
- •64. Закони великих чисел та їх застосування в математичній статистиці.
- •67. Послідовність реалізації матричної форми методу найменших квадратів пошуку коефіцієнтів лінійних регресій за допомогою вбудованих функцій Excel.
- •68. Пошук вибіркових статистик за допомогою вбудованих функцій Excel та надстройки “Аналіз даних”.
- •69.Пошук незсунених оцінок невідомих параметрів за допомогою вбудованих функцій Excel та надстройки “Аналіз даних”.
- •70.Побудова інтервального варіаційного ряду за допомогою вбудованих функцій Excel.
63. Закони великих чисел. Приклади.
Форми ЗЧВ: Слабкий закон великих чисел та Посилений закон великих чисел. Обидва закони стверджують, що з певною достовірністю середнє вибірки
прямує до математичного сподівання
де X1, X2, ... — скінченна послідовність н.о.р. випадкові величини зі скінченним математичним сподіванням E(X1) = E(X2) = ... = µ < ∞.
Слабкий закон великих чисел
Нехай є нескінченна послідовність однаково розподілених і некорельованих випадкових величин , визначених на одному імовірносному просторі . Їх коваріація . Нехай . Позначимо вибіркове середнє перших членів:
.
Тоді .
Посилений закон великих чисел
Нехай є нескінченна послідовність незалежних однаково розподілених випадкових величин , визначених на одному ймовірнісному просторі . Нехай . Позначимо вибіркове среднє перших членів:
.
Тоді майже напевно.
Різниця між слабким і посиленим законами великих чисел
Слабкий закон стверджує, що для великого числа n, середнє значення правдоподібно є близько до μ. Отже, залишається можливість того, що трапляється нескінченну кількість разів, хоча й на рідкісних інтервалах.
Посилений закон стверджує що це майже напевно не станеться. Зокрема, це означає що з імовірністю 1, для кожного ε > 0 нерівність виконується для всіх достатньо велеких n.
Звч Бореля
Закон великих чисел Бореля, на честь Еміля Бореля, стверджує, що якщо повторювати експеримент багато раз за тих самих умов і незалежно від інших спроб, то частота певної події наближено дорівнює ймовірності випадання цієї події в кожному окремому експерименті; чим більша кількість повторень тим краще наближення. Точніше, якщо E — подія, p ймовірність цієї події і Nn(E) — число разів коли в експерименті випадає подія E в n перших спробах, тоді з ймовірністю 1:
Ця теорема строго формалізує інтуїтивне поняття ймовірності як граничної частоти випадання події в експерименті. Теорема є частковим випадком інших більш загальних законів великих чисел в теорії ймовірності.
Пример 81. Устройство состоит из 100 независимо работающих элементов. Вероятность отказа каждого элемента за время равна 0,03. Оценить вероятность того, что абсолютная величина разности между числом (математическом ожиданием) отказов за время окажется: а) меньше двух; б) не меньше двух.
Решение. а). Обозначим через число отказавших элементов за время . Тогда [ ] = np = 100 * 0,03 = 3 и [ ] = npq = 100 * 0,03 * 0,97 = 2,91 (см. пример ). Воспользуемся неравенством Чебышева:
подставив в него [ ] = 3, [ ] = 2,91, = 2, получим
б). События и противоположны, поэтому сумма их вероятностей равна единице. Следовательно,
64. Закони великих чисел та їх застосування в математичній статистиці.
Закон великих чисел в теорії імовірностей стверджує, що емпіричне середнє (арифметичне сeреднє) скінченної вибірки із фіксованого розподілу близьке до теоретичного середнього (математичного сподівання) цього розподілу. В залежності від виду збіжності розрізняють слабкий закон великих чисел, коли має місце збіжність за ймовірністю, і посилений закон великих чисел, коли має місце збіжність майже скрізь.
Завжди знайдеться така кількість випробувань, при якій з будь-якою заданою наперед
імовірністю частота появ деякої події буде як завгодно мало відрізнятися від її імовірності