- •1. Случайный эксперимент. Пространство элементарных событий. Случайные события и операции над ними.
- •Свойства операций над событиями
- •2. Классическое определение вероятности. Урновая схема. Пример.
- •3. Геометрическое определение вероятности. Пример.
- •4. Аксиоматическое определение вероятности. Вероятностное пространство. Свойства вероятности.
- •5. Условная вероятность и ее свойства. Правило и теорема умножения вероятностей.
- •6. Независимость событий. Свойства независимых событий. Независимость в совокупности.
- •7. Формулы полной вероятности и Байеса. Пример.
- •8. Схема независимых испытаний Бернулли. Наивероятнейшее число успехов.
- •9. Понятие случайной величины (св). Функция распределения св и ее свойства.
- •10. Дискретные св. Закон распределения дискретной св.
- •11. Важнейшие дискретные св.
- •12. Непрерывные св. Плотность вероятностей и ее свойства.
- •13. Важнейшие непрерывные св.
- •14. Математическое ожидание (мо) дискретных и непрерывных св.
- •15. Основная теорема о мо. Свойства мо.
- •16. Моменты высших порядков. Дисперсия и среднеквадратическое отклонение. Свойства дисперсии.
- •17. Числовые характеристики важнейших св.
- •18. Случайные векторы. Функция распределения случайного вектора и ее свойства.
- •19. Дискретные случайные векторы. Закон распределения дискретного случайного вектора.
- •20. Непрерывные случайные векторы. Плотность вероятностей случайного вектора и ее свойства.
- •21.Равномерное распределение в области на плоскости. Равномерные распределения в прямоугольнике и в круге.
- •22. Независимость случайных величин. Условия независимости. Независимость в совокупности.
- •23.Условные законы распределения. Условная плотность вероятностей и ее свойства. Условные числовые характеристики.
- •24.Числовые характеристики случайных векторов. Корреляционная матрица и ее свойства. Понятие о моментах случайных векторов.
- •25. Теоремы о числовых характеристиках.
- •26. Некоррелированные св. Связь между некоррелированностью и независимостью. Пример.
- •27. Коэффициент корреляции, его свойства и вероятностный смысл.
- •28. Многомерное нормальное распределение и его свойства.
- •29. Функции от св и их законы распределения. Функции случайных аргументов
- •Функции от случайных величин
- •Функции от случайных векторов
- •30. Закон распределения суммы св. Композиция (свертка) законов распределения. Пример.
- •31. Неравенство Чебышева. Виды сходимости последовательностей св и связь между ними.
- •Неравенство Чебышева
- •Виды сходимости последовательностей случайных величин и связь между ними
- •32. Закон больших чисел (збч) для последовательностей св. Теоремы Маркова и Чебышева.
- •33. Збч для последовательностей независимых одинаково распределенных св. Задача об измерениях. Теорема Бернулли и ее применение.
- •34. Характеристическая функция св и ее свойства.
- •Свойства характеристических функций
- •35.Характеристические функции важнейших св. Устойчивость нормального закона распределения.
- •Характеристические функции случайных векторов
- •36. Сходимость распределений (слабая сходимость) и ее связь со сходимостью по вероятности. Теорема непрерывности.
- •37.Центральная предельная теорема (цпт) для независимых одинаково распределенных св. Интегральная теорема Муавра-Лапласа.
- •38.Цпт для независимых разнораспределенных св: теоремы Линдеберга и Ляпунова. Смысл условия Линдеберга. Асимптотическая нормальность.
- •39. Теорема Хинчина. Понятие об усиленном збч.
- •40. Статистическая модель. Генеральная совокупность (гс), выборка, объем выборки. Простейшие способы представления статистических данных.
- •41. Эмпирическая функция распределения и ее свойства.
- •42. Гистограмма и полигон частот.
- •43.Выборочные (эмпирические) числовые характеристики. Выборочное среднее и выборочная дисперсия.
- •44.Точечные оценки неизвестных параметров распределений. Требования, предъявляемые к точечным оценкам.
- •Точечные оценки. Методы нахождения точечных оценок.
- •45. Свойства выборочного среднего и выборочной дисперсии как точечных оценок мо и дисперсии соответственно.
- •46. Метод моментов получения точечных оценок. Свойства оценок, найденных по методу моментов. Пример. Метод моментов.
- •47. Метод максимального правдоподобия. Свойства оценок максимального правдоподобия. Пример.
- •48. Интервальные оценки неизвестных параметров распределений. Доверительные интервалы (ди) для мо нормально распределенной гс (при известной и неизвестной дисперсии).
- •49. Ди для дисперсии нормально распределенной гс (при известном и неизвестном мо).
- •50. Асимптотические ди для мо и дисперсии произвольно распределенной гс.
- •51. Статистические гипотезы. Критерии согласия и их характеристики.
- •52. Критерий хи-квадрат Пирсона для проверки простой гипотезы о виде распределения.
- •53. Критерий хи-квадрат Пирсона для проверки сложной гипотезы о виде распределения.
29. Функции от св и их законы распределения. Функции случайных аргументов
Пусть - случайный вектор, закон распределения которого известен, и- скалярная (для простоты) неслучайная функция, область определения которой содержит множество возможных значений вектора. Рассмотрим случайную величину(для того, чтобы функция случайных аргументовявлялась случайной величиной, функциядолжна быть борелевской, см. раздел «Основная теорема о математическом ожидании»). Известно, что для нахождения числовых характеристик случайной величиныдостаточно знать только закон распределения случайного вектора. Однако, во многих приложениях, особенно в математической статистике, необходимо уметь находить в явном виде закон распределения случайной величиныY, являющейся функцией случайных аргументов. Рассмотрим вначале задачу нахождения закона распределения случайной величины Y в одномерном случае ().
Функции от случайных величин
Дискретный случай. Пусть – дискретная случайная величина, принимающая значенияс вероятностями(случай счетного числа значений случайной величинырассмотреть самостоятельно). Тогда для произвольной неслучайной функции, область определения которой содержит множество возможных значений случайной величины, случайная величинаявляется дискретной и задача состоит в нахождении ее закона распределения.
а) Предположим вначале, что все значения различны (так, в частности, может быть, если функцияявляется монотонной в области возможных значений случайной величины). Тогда случайная величинабудет иметь столько же возможных значений, как и случайная величина, си при этом
. (4.1)
Таким образом, закон распределения случайной величины имеет вид:
|
|
|
|
|
|
|
|
|
|
где в соответствии с (4.1) вероятности .
б) Предположим теперь, что среди значений есть совпадающие (это может быть, в частности, если функцияне является монотонной в области возможных значений случайной величины). Тогда случайная величинабудет иметь меньше возможных значений, чем случайная величина, и ими являются,, различные среди. При этом вероятностизначенийопределяются по формуле:
, (4.2)
Закон распределения случайной величины в данном случае имеет вид:
|
|
|
|
|
|
|
|
|
|
где в соответствии с (4.2) вероятности являются суммой вероятностейтех значений, для которых.,.
Пример. Найти закон распределения случайной величины , если случайная величинаХ является дискретной и имеет закон распределения
|
-2 |
-1 |
0 |
1 |
2 |
|
0.2 |
0.2 |
0.2 |
0.2 |
0.2 |
Решение. В соответствии с (4.2) закон распределения случайной величины имеет вид:
|
0 |
1 |
2 |
|
|
0.2 |
0.4 |
0.4 |
|
Непрерывный случай. Если – непрерывная случайная величина с плотностью вероятностей, а– дифференцируемая функция в области возможных значений случайной величиныХ, то величина является непрерывной случайной величиной и задача состоит в нахождении плотности вероятностей.
Предположим вначале, что -монотонно возрастающая функция в области возможных значений случайной величины Х. Тогда у функции существует однозначная обратная функция и функцию распределения случайной величиныможно записать в виде:.
Дифференцируя обе части последнего равенства по , получаем:. (4.3)
Для монотонно убывающей в области возможных значений случайной величины Х функции
,
а после дифференцирования по обеих частей этого равенства имеем:
. (4.4)
Объединяя полученные в (4.3) и (4.4) результаты, получаем:
Если – непрерывная случайная величина с плотностью вероятностей, а– монотонная дифференцируемая функция, то случайная величинаявляется непрерывной и ее плотность вероятностейопределяется черезпо формуле:, (4.5)
где – функция, обратная к функции(отметим, что равенство (4.5) имеет место только в точках непрерывности плотностей вероятностейи).
Если дифференцируемая функция не является монотонной в области
возможных значений случайной величины , то ее область определения можно разбить нанепересекающихся интервалов, на каждом из которых она монотонной будет и будет иметь однозначную обратную функцию. Применяя формулу (4.5) на каждом интервале монотонности, получаем:. (4.6)
Пример 1. Пусть – непрерывная случайная величина с плотностью вероятностей, а. Найти плотность вероятностей.
Решение. В данном случае функция является монотонной при любых значениях(прифункциявозрастает, при- убывает). Функция, обратная к, имеет вид:, а ее производная. Поэтому в соответствии с (4.5):. (4.7)
а) Рассмотрим линейное преобразование вида над случайной величиной.
В соответствии с (4.7) в этом случае , а с учетом того, что
для плотности вероятностей случайной величины имеем выражение:
Полученный результат схематично можно записать в виде:
и он означает, что из равномерного распределения на отрезке можно получить равномерное распределение на любом отрезкепутем линейного преобразования.
б) Рассмотрим линейное преобразование вида над случайной величиной.
В соответствии с (4.7) в этом случае , а с учетом того, что
для плотности вероятностей случайной величины имеем выражение:
.
Полученный результат схематично можно записать в виде:
и он означает, что из стандартного нормального распределения можно получить нормальное распределение с любыми параметрами путем линейного преобразования.
Пример 2. Пусть , а. Найти плотность вероятностей.
Решение. В данном случае функция не является монотонной в области возможных значений случайной величиныи имеет два интервала монотонностии. На каждом из интервалов функцияимеет однозначную обратную функцию:на первом интервалеи- на втором. Поскольку модуль производной,, то в соответствии с (4.6):,
а с учетом того, что , получаем:
,
при .
Пример 3. Пусть - строго монотонная функция распределения, а случайная величина. Тогда случайная величинаимеет заданную функцию распределения.
Решение. Действительно, .
Последнее равенство следует из того, что функция распределения случайной величины имеет вид:
.
Смысл примера 3. Предположим, что требуется получить значенийслучайной величиныс заданным законом распределения (смоделировать случайную величину). Для этого в соответствии с примером 3 необходимо найти функцию распределенияслучайной величиныи, если она имеет однозначную обратную функцию, то положить
, ,
где - значения случайной величины, имеющей равномерное распределение на отрезке(значенияможно получить путем обращения к датчику случайных чисел, входящему в стандартное математическое обеспечение любого персонального компьютера).