- •Лекция 1. Основные понятия теории вероятности
- •Вопросы для самопроверки
- •Лекция 2. Теоремы о вероятностях
- •Теорема умножения вероятностей
- •Краткая классификация событий
- •Теорема о полной вероятностей
- •Теорема (формула) Байеса
- •Теорема сложения вероятностей
- •Принцип практической невозможности редких событий
- •Вопросы для самопроверки
- •Лекция 3. Случайные величины
- •Дискретная случайная величина
- •Числовые характеристики случайных величин
- •Характеристики положения
- •Характеристики разброса
- •Характеристики формы
- •Свойства математического ожидания
- •Свойства дисперсии
- •Правило "3-х сигм"
- •Вопросы для самопроверки
- •Лекция 4. Распределение Бернулли, Пуассона, Лапласа Распределение Бернулли
- •Биномиальные коэффициенты
- •Распределение Пуассона
- •Вопросы для самопроверки
- •Лекция 5. Распределение Лапласа
- •И нтегральная теорема Лапласа
- •Три основных формы интегральной теоремы Лапласа
- •Вопросы для самопроверки
- •Лекция 6. Непрерывная случайная величина
- •Нормальный закон распределения Гаусса
- •Показательный или экспоненциальный закон распределения
- •Квантили распределения
- •Вопросы для самопроверки
- •Лекция 7. Предельные теоремы теории вероятностей
- •Закон больших чисел
- •Центральная предельная теорема
- •Композиция распределений случайных величин
- •Функции случайного аргумента
- •Вопросы для самопроверки
- •Лекция 8. Система случайных величин
- •Закон распределения дискретной двумерной случайной величины
- •Характеристики дискретной двумерной случайной величины
- •Закон распределения непрерывной двумерной случайной величины
- •Характеристики непрерывной двумерной величины
- •Двумерный нормальный закон
- •Вопросы для самопроверки
- •Лекция 9. Проблемы математической статистики
- •Способы составления выборочных подсовокупностей
- •Статистичекое оценивание
- •Вопросы для самопроверки
- •Лекция 10. Свойства статистических оценок
- •Оценка параметров распределения
- •Статистические критерии
- •Вопросы для самопроверки
- •Лекция 11. Критерии согласия Критерий согласия Пирсона
- •Критерий согласия Колмогорова – Смирнова
- •Интервальные оценки характеристик и параметров
- •Вопросы для самопроверки
- •Лекция 12. Проверка статистических гипотез Распределение Стьюдента
- •Интервальная оценка для математического ожидания
- •Проверка гипотезы о равенстве центров двух совокупностей
- •Сравнение двух дисперсий
- •Вопросы для самопроверки
- •Лекция 13. Дисперсионный анализ
- •Ранговый дисперсионный анализ Краскала–Уоллиса
- •Время появления реакции в 4-х группах
- •Ранжированнае данные
- •Дополнение к выводу формул Краскала–Уоллиса
- •Вопросы для самопроверки
- •Лекция 14. Регрессионный анализ
- •Метод наименьших квадратов (мнк)
- •Пример расчета мнк-оценок параметров
- •Оценка тесноты принятой формы связи.
- •Однофакторная линейная зависимость
- •Нелинейные двухпараметрические модели
- •Вопросы для самопроверки
- •Лекция 15. Проблема значимости и адекватности регрессионной модели Оценка значимости регрессионной модели
- •Оценка значимости корреляционной связи
- •Проверка адекватности модели
- •Коэффициент ранговой корреляции Спирмена
- •Вывод формулы для коэффициента ранговой корреляции Спирмена
- •Вопросы для самопроверки
- •Лекция 16. Линейный регрессионный анализ в стандартизованных переменных
- •Способы составления многофакторных моделей
- •Коэффициенты частной корреляции
- •Вывод формул для дисперсий коэффициентов регрессии и расчетных значений
- •Вопросы для самопроверки
Характеристики формы
Полный набор характеристик дискретной случайной величины представляют моменты распределения: m1 = M(x), m2 = M(x2), m3 = M(x3), m4 = M(x4). Заметим, что момент 1-го порядка есть основная характеристика положения – математическое ожидание m1 = M(x) = а. Кроме этого, введены центральные моменты распределения: 1 = M(x – а), 2 = M(x – а)2, 3 = M(x – а)3, 4 = M(x – а)4. Первый центральный момент всегда равен нулю (это будет показано далее); второй центральный момент есть основная характеристика разброса – дисперсия 2 = M(x – а)2 = (х)2 . Моменты 2-го и 4-го порядков имеют размерности куба и четвертой степени от размера исходной величины, поэтому используют еще безразмерные нормированные или стандартизированные моменты распределения: , . Нормированный момент 3-го порядка называется коэффициентом асимметрии; если А = 0 – распределение симметричное, при А > 0 – скошено влево, при А < 0 – скошено вправо. Нормированный момент 4-го порядка называется коэффициентом плосковершинности, или игольчатости, или же коэффициентом эксцесса. Если 4 = 3, форма полигона распределения будет "нормальная", при 4 < 3 – приплюснутая (плосковершинная), при 4 > 3 – игольчатая. Заметим, что в отечественной литературе принято вычитать тройку из 4-го нормированного момента Е = 4 – 3, тогда нормальной форме соответствует Е = 0, плосковершинности – Е < 0, игольчатости – Е > 0. Наличие игольчатости трактуется как результат смеси двух случайных величин с разными дисперсиями (смесь продукции мастера и ученика).
Свойства математического ожидания
Знание свойств характеристик позволяет значительно облегчить процесс их вычисления.
1. Математическое ожидание постоянной равно самой постоянной. Вариант: среднее значение постоянной равно самой постоянной.
Действительно, если xi = C, то М(х) = xi рi = С рi = Срi = С.
2. Постоянный множитель можно выносить за знак математического ожидания. Вариант: постоянный множитель можно выносить за знак среднего.
Действительно, М(kх) = kxi рi = kxi рi = kМ(х).
3. Математическое ожидание суммы случайных величин равно сумме математических ожиданий. Вариант: среднее суммы равно сумме средних.
Пусть xi – значения случайной величины X – появляются с вероятностями , а yj – значения случайной величины Y – появляются с вероятностями . Составим ряд распределения суммы случайных величин Z = X + Y. Всевозможные значения сумм zij = (xi + yj) появляются с вероятностями . Покажем, что сумма этих вероятностей равна единице.
П усть события У1 , У2 , У3 составляют полную группу несовместных событий. Тогда из рис. 3.2 следует р(ХУ1) + р(ХУ2) + р(ХУ2) = р(Х). Учитывая это, получаем: .
Можно изменить порядок суммирования:
.
Теперь вычислим математическое ожидание суммы случайных величин и покажем, что оно равно сумме математических ожиданий:
.
4. Математическое ожидание произведения независимых случайных величин равно произведению их математических ожиданий.
Пусть xi – значения случайной величины X – появляются с вероятностями pi , а yj – значения случайной величины Y – появляются с вероятностями qj . Составим ряд распределения произведения случайных величин Z = XY. Всевозможные значения произведений zij = xi yj независимых случайных величин появляются с вероятностями pi qj . Нетрудно убедиться, что сумма этих вероятностей равна единице. Вычисляем математическое ожидание произведения и получаем: , что и требовалось доказать.
Приведем некоторые следствия доказанных выше утверждений.
Нулевое или центральное свойство математического ожидания: среднее значение отклонений всегда равно нулю (1-й центральный момент всегда равен нулю) 1 = М(х – а) = 0, где а = М(х).
Действительно, согласно свойствам математического ожидания, М(х ‑ а) = М(х) – М(а) = а – а = 0.
Эквивалентная формула для вычисления дисперсии:
D(x) = М(х – а)2 = M(x2 – 2ax + a2) = M(x2) – 2aM(x) + M(a2) = = M(x2) – 2a2 + a2 = M(x2) – a2 = M(x2) – (M(x))2 .
Эта более удобная для расчетов формула читается так: "Дисперсия равна разности математического ожидания квадрата и квадрата математического ожидания случайной величины". Для примера с лотереей, где М(х) = 0,9, вычисляем М(х2) = 02 0,5 + 12 0,3 + 22 0,15 + 52 0,04 + 102 0,01 = 2,9; D(x) = = 2,9 + 0,92 = 2,09.
Таким же способом можно выразить остальные центральные моменты через нецентральные, например, 3 = m3 – 3m1m2 + 2(m1)3 .