- •1. Предмет теории вероятностей. Понятие случайного события.
- •2. Основные типы событий, алгебра событий.
- •3.Понятие вероятности события. Классическое, статистическое и геометрическое определение вероятности. Свойства вероятностей.
- •Урны и шарики
- •Урновая схема: выбор без возвращения, с учетом порядка
- •Урновая схема: выбор без возвращения и без учета порядка
- •Урновая схема: выбор с возвращением и с учетом порядка
- •Урновая схема: выбор с возвращением и без учета порядка
- •8.Формула полной вероятности.
- •9. Формула Бейеса.
- •10. Формула (схема) Бернулли.
- •11. Предельные теоремы в схеме Бернулли. Формула Пуассона и условия её применимости.
- •Предельные теоремы для схем Бернулли
- •Пуассоновское приближение
- •Нормальное приближение
- •О применимости предельных теорем в схеме Бернулли
- •12. Локальная и интегральная теорема Муавра-Лапласа.
- •13. Дискретные случайные события и возможности их описания.
- •15. Функция распределения и её свойства. Вероятность попадания случайной величины на заданный интервал.
- •16. Плотность распределения и её свойства. Вероятностный и геометрический смысл плотности распределения.
- •17. Математическое ожидание случайной величины и его свойства.
- •18. Дисперсия и среднее квадратическое отклонение случайной величины. Свойства дисперсии. Производящая функция.
- •19. Мода и медиана. Моменты случайных величин. Асимметрия и эксцесс. Квантили распределения.
- •20. Математическое ожидание и дисперсия числа появления события в независимых опытах.
- •21. Непрерывная случайная величина. Числовые характеристики непрерывных случайных величин.
- •Кривая распределения вероятностей.
- •22. Закон равномерного распределения.
- •23. Экспонентный закон распределения.
- •24. Нормальное распределение. Функция Лапласа. Вероятность попадания в заданный интервал.
- •25. Функция распределения двумерной случайной величины.
- •26. Плотность распределения вероятностей двумерной случайной величины и её свойства.
- •27. Зависимость и независимость двух случайных величин. Числовые характеристики двумерной с.В. Математическое ожидание и дисперсия.
- •28. Корреляционный момент. Коэффициент корреляции. Свойства ковариации и коэффициента корреляции.
- •Свойства ковариации Править
- •29. Предельные теоремы теории вероятностей. Неравенство и теория Чебышева
- •31. Центральная предельная теорема.
- •32. Математическая статистика. Основные понятия.
- •33. Генеральная совокупность и выборка. Характеристики выборки. Способы отбора.
- •34. Статистическое распределение выборки.
- •35. Эмпирическая функция распределения.
- •36. Полигон и гистограмма.
- •37. Статистические оценки параметров распределения.
- •39. Точечная и интервальная оценки. Доверительный интервал. Методики нахождения точечных оценок.
- •40. Метод статистических гипотез.
39. Точечная и интервальная оценки. Доверительный интервал. Методики нахождения точечных оценок.
Интервальное оценивание — один из видов статистического оценивания, предполагающий построение интервала, в котором с некоторой вероятностью находится истинное значение оцениваемого параметра.
Доверительный интервал и доверительная вероятность используется в математической статистике точности и надежности полученной оценки a* неизвестного параметраa.
=0,95 или 0,98; 0,99 - Назначим вероятность достаточно большую.
Найдем значение интервала , при котором вероятностьa*-a
вероятность, что выйдет за пределы интервала:
Интервал, покрывающийaназывается доверительным интервалом.
Вероятность называется доверительной вероятностью.
Оценка a* называется точечной оценкой.
Оценка называется интервальной оценкой.
1. Метод наибольшего правдоподобия.
Пусть Х– дискретная случайная величина, которая в результатеписпытаний приняла значениях1,х2, …,хп. Предположим, что нам известен закон распределения этой величины, определяемый параметром Θ, но неизвестно численное значение этого параметра. Найдем его точечную оценку.
Пусть р(хi,Θ) – вероятность того, что в результате испытания величинаХпримет значениехi. Назовемфункцией правдоподобиядискретной случайной величиныХфункцию аргумента Θ, определяемую по формуле:
L (х1,х2, …,хп;Θ) =p(x1,Θ)p(x2,Θ)…p(xn,Θ).
Тогда в качестве точечной оценки параметра Θ принимают такое его значение Θ* = Θ(х1,х2, …,хп), при котором функция правдоподобия достигает максимума. Оценку Θ* называютоценкой наибольшего правдоподобия.
Поскольку функции LиlnLдостигают максимума при одном и том же значении Θ, удобнее искать максимумlnL–логарифмической функции правдоподобия. Для этого нужно:
найти производную ;
приравнять ее нулю (получим так называемое уравнение правдоподобия) и найти критическую точку;
найти вторую производную ; если она отрицательна в критической точке, то это – точка максимума.
Достоинства метода наибольшего правдоподобия: полученные оценки состоятельны (хотя могут быть смещенными), распределены асимптотически нормально при больших значениях пи имеют наименьшую дисперсию по сравнению с другими асимптотически нормальными оценками; если для оцениваемого параметра Θ существует эффективная оценка Θ*, то уравнение правдоподобия имеет единственное решение Θ*; метод наиболее полно использует данные выборки и поэтому особенно полезен в случае малых выборок.
Недостаток метода наибольшего правдоподобия: сложность вычислений.
Для непрерывной случайной величины с известным видом плотности распределения f(x) и неизвестным параметром Θ функция правдоподобия имеет вид:
L (х1,х2, …,хп;Θ) =f(x1,Θ)f(x2,Θ)…f(xn,Θ).
Оценка наибольшего правдоподобия неизвестного параметра проводится так же, как для дискретной случайной величины.
2. Метод моментов.
Метод моментов основан на том, что начальные и центральные эмпирические моменты являются состоятельными оценками соответственно начальных и центральных теоретических моментов, поэтому можно приравнять теоретические моменты соответствующим эмпирическим моментам того же порядка.
Если задан вид плотности распределения f(x, Θ), определяемой одним неизвестным параметром Θ, то для оценки этого параметра достаточно иметь одно уравнение. Например, можно приравнять начальные моменты первого порядка:
,
получив тем самым уравнение для определения Θ. Его решение Θ* будет точечной оценкой параметра, которая является функцией от выборочного среднего и, следовательно, и от вариант выборки:
Θ = ψ (х1,х2, …,хп).
Если известный вид плотности распределения f(x, Θ1, Θ2) определяется двумя неизвестными параметрами Θ1и Θ2, то требуется составить два уравнения, например
ν1=М1, μ2=т2.
Отсюда - система двух уравнений с двумя неизвестными Θ1и Θ2. Ее решениями будут точечные оценки Θ1* и Θ2* - функции вариант выборки:
Θ1= ψ1(х1,х2, …,хп),
Θ2= ψ2(х1,х2, …,хп).
3. Метод наименьших квадратов.
Если требуется оценить зависимость величин уих, причем известен вид связывающей их функции, но неизвестны значения входящих в нее коэффициентов, их величины можно оценить по имеющейся выборке с помощью метода наименьших квадратов. Для этого функцияу= φ (х) выбирается так, чтобы сумма квадратов отклонений наблюдаемых значенийу1,у2,…,упот φ(хi) была минимальной:
При этом требуется найти стационарную точку функции φ(x;a, b, c…), то есть решить систему:
(решение, конечно, возможно только в случае, когда известен конкретный вид функции φ).
Рассмотрим в качестве примера подбор параметров линейной функции методом наименьших квадратов.
Для того, чтобы оценить параметры аиbв функции y = ax + b, найдемТогда. Отсюда. Разделив оба полученных уравнения напи вспомнив определения эмпирических моментов, можно получить выражения дляаиbв виде:
. Следовательно, связь междухиуможно задать в виде: