- •Экзамен по дисциплине «Теория вероятностей и математическая статистика» (теоретическая часть) Оглавление
- •2 . Примеры сопряженных семейств распределений.
- •5. Функции потерь. Ожидаемые потери. Апостериорные ожидаемые потери. Свойство решающего правила быть байесовским при условии минимизации апостериорных ожидаемых потерь.
- •6. Классическая схема проверки гипотез. Основная и альтернативная гипотезы. Ошибка первого рода и ошибка второго рода, их вероятности. Уровень значимости.
- •7. Проверка гипотез как задача теории статистических решений. Пример совпадения байесовского решающего правила и классического подхода к проверке гипотез.
- •8. Доверительные интервалы. Множества наивысшей апостериорной плотности. Доверительные множества наивысшей апостериорной плотности.
- •Доверительный интервал для математического ожидания (μ) в случае нормальной генеральной совокупности и известной дисперсии.
- •9. Затраты на наблюдения и понятие общего риска. Определение оптимального размера выборки до начала наблюдений. Примеры.
- •10. Определение оптимального размера выборки в процессе наблюдений. Последовательный критерий отношения вероятностей.
Экзамен по дисциплине «Теория вероятностей и математическая статистика» (теоретическая часть) Оглавление
1. Функция распределения случайной величины. Непрерывная случайная величина и ее функция плотности. Совместные, маргинальные и условные плотности для двух случайных величин. Априорные и апостериорные плотности. 2
2. Примеры сопряженных семейств распределений. 4
3. Статистические оценки параметров распределений по имеющимся наблюдениям. Метод моментов и метод максимального правдоподобия. Пример совпадения байесовского решающего правила при использовании неинформативного априорного распределения и статистической оценки, построенной методом максимального правдоподобия. 5
4. Определение решающего правила. Допустимые и минимаксные решающие правила. Примеры допустимых решающих правил, которые не являются минимаксными, и примеры минимаксных решающих правил, которые не являются допустимыми. 8
5. Функции потерь. Ожидаемые потери. Апостериорные ожидаемые потери. Свойство решающего правила быть байесовским при условии минимизации апостериорных ожидаемых потерь. 10
6. Классическая схема проверки гипотез. Основная и альтернативная гипотезы. Ошибка первого рода и ошибка второго рода, их вероятности. Уровень значимости. 11
7. Проверка гипотез как задача теории статистических решений. Пример совпадения байесовского решающего правила и классического подхода к проверке гипотез. 13
8. Доверительные интервалы. Множества наивысшей апостериорной плотности. Доверительные множества наивысшей апостериорной плотности. 15
9. Затраты на наблюдения и понятие общего риска. Определение оптимального размера выборки до начала наблюдений. Примеры. 18
10. Определение оптимального размера выборки в процессе наблюдений. Последовательный критерий отношения вероятностей. 19
1. Функция распределения случайной величины. Непрерывная случайная величина и ее функция плотности. Совместные, маргинальные и условные плотности для двух случайных величин. Априорные и апостериорные плотности.
Функция распределения случайной величины.
Функция распределения случайной величины X – функция F(x), выражающая для каждого x вероятность того, что случайная величина X примет значение, меньшее x: F(x)=P(X<x).
Непрерывная случайная величина и ее функция плотности.
Случайная величина называется непрерывной, если её функция распределения F(x) непрерывна на всей числовой оси. Для непрерывной случайно величины при любом x0 R имеет место равенство P( =x0)=0, а также P(x1 ≤ ≤ x2)= P(x1<<x2)= P(x1< ≤x2)=P(x1 ≤ < x2)=F(x2)-F(x1), где F(x) - функция распределения величины .
Совместные плотности для двух случайных величин.
Совместной плотностью вероятности или плотностью совместного распределения называется функция
Плотность f(x,y) обладает следующими свойствами:
f(x,y)≥0;
Функция распределения системы (X,Y) через совместную плотность определяется так:
Совместная плотность распределения системы случайных величин (X,Y) позволяет вычислить одномерные законы распределения случайных величин X и Y :
;
Маргинальные распределения
Если задан совместный закон распределения случайных величин X и Y, то маргинальное распределение случайной величины Х имеет вид:
P(X = Xi) = ∑jP(X = Xi, Y = Yj), i = 1,…,n для дискретного случая,
fx(x) = ∫f(x,y)dy – функция плотности для непрерывной случайной величины.
Математическое ожидание и дисперсия случайных величин X, Y определяются как обычно.
Условная плотность
Пусть и — случайные величины, такие что случайный вектор имеет абсолютно непрерывное распределение, задаваемое плотностью вероятности . Пусть таково, что , где — плотность случайной величины . Тогда функция
называется усло́вной пло́тностью вероя́тности случайной величины при условии, что . Распределение, задаваемое условной плотностью вероятности, называется условным распределением.
Априорные и апостериорные плотности.
Априорное распределение(плотность): (Ɵ)
Пример:
, где u>0, v>0.
Апостериорная функция плотности