- •В.А. Павский
- •Оглавление
- •Часть 1. Понятие случайного события и его вероятности……..9
- •Часть 2. Случайные величины и функции распределения…….52
- •Часть 3. Предельные теоремы…………………………………………….130
- •Часть 4. Элементы математической статистики………………..141
- •Введение
- •Часть 1. Понятие случайного события и его вероятности
- •Операции над событиями
- •Кроме того, если выполнено условие
- •Следствия из аксиом
- •Из определения сразу следует, что
- •Элементы комбинаторики
- •Пример 5. Сколько существует размещений с повторениями при выборкеkшаров изn?
- •1.3 Вычисление вероятностей событий
- •1.3.1 Классический метод вычисления вероятностей
- •Пример.Поnящикам случайно распределяютсяnшаров. Считая, что ящики и шары различимы, найти вероятности следующих событий:
- •1.3.2 Геометрический метод вычисления вероятностей
- •1.3.3 Статистическое определение вероятности
- •1.3.4 Условная вероятность
- •Произвольны, причем рв.
- •Формула (6) считается определением, ниоткуда не выводится и является отражением здравого смысла. Поясним это на примере геометрического изображения событий (рис. 3).
- •Теорема умножения.ПустьА,в,тогда
- •1.4 Формула полной вероятности и формула Байеса (Bayes) Формула полной вероятности
- •Применяя теорему умножения получим
- •Применяя (9), получим
- •Формула Байеса
- •Вероятности ,, называютапостериорнымивероятностями гипотезВk, поскольку оценка происходит после того, как событиеАпроизошло.
- •1.5 Независимые испытания
- •1.6 Локальная теорема Муавра – Лапласа
- •Интегральная теорема Муавра-Лапласа
- •Функция - табулирована, ее значения приведены в табл. 4 приложения.
- •Сравнивая решение задачи п.1.5. А), б), можно предположить, что, так как – наивероятнейшее число, с большой вероятностью реализуется событие40k60, с центром в точкеk0:
- •1.8 Формула Пуассона
- •Часть 2. Случайные величины и функции распределения
- •Например, к дискретным случайным величинам относятся:
- •Свойства функции распределения.
- •Свойства плотности
- •Примеры основных распределений
- •2.1 Числовые характеристики случайных величин
- •2.1.1 Математическое ожидание, мода, медиана
- •Моменты
- •Свойства дисперсии
- •2.2 Вычисление числовых характеристик стандартных распределений
- •1. Биномиальное распределение.
- •Приложения нормального распределения
- •2.3 Функции от случайных величин
- •2.3.1 Функции от одного случайного аргумента
- •2.3.2 Многомерные случайные величины
- •2.3.3 Условные законы распределения
- •2.3.4 Моменты многомерных случайных величин
- •Свойства коэффициента корреляции
- •2.3.5 Случайные процессы
- •2.3.5.1 Марковские процессы
- •2.3.5.2 Непрерывные цепи Маркова
- •2.3.5.3 Потоки событий
- •2.3.6 Основы теории массового обслуживания
- •Часть 3. Предельные теоремы
- •Вместо (111), часто используют неравенство
- •3.1 Закон больших чисел
- •3.2 Центральные предельные теоремы
- •Часть 4. Элементы математической статистики
- •4.1 Оценка функций распределения
- •Свойства эмпирической функции распределения
- •4.2 Точечные оценки неизвестных параметров законов распределения
- •Итак, пусть имеем выборку (122). Для оценки математического ожидания
- •4.3 Доверительный интервал
- •Окончательно
- •4.4 Проверка статистической однородности
- •Заключение
- •Обозначения
- •Приложение
- •Значения некоторых числовых величин
- •Продолжение таблицы 5
- •Продолжение таблицы 7
- •Библиографический список
4.1 Оценка функций распределения
Теоретической основой статистического исследования является генеральная совокупностьГ, представляющая собой отображение всех свойств реального явления в некоторое числовое множество.
Исходным материаломстатистического исследования является совокупность статистических данных, представленных в виде конечного набораnчисел:
(118)
из генеральной совокупности Г.
Набор чисел (118) называется выборкойобъемаn, если он получен в соответствии с правилами комбинаторики при выборе с возвращением.
Пусть - случайная величина, определенная на множестве Г, с функцией распределенияF(x).
Поставим задачу: по выборке (118) получить как можно больше информации о всей генеральной совокупности (в идеале, это построение вероятностного пространства (Г, F(x)), хотя, в ряде случаев, ограничиваются оценкой числовых характеристик случайных величин).
Замечание. Интуитивно ясно, что выборка (118) должна бытьрепрезентативна, то есть ее элементы должны отражать все основные свойства реального явления. Если это неизвестно, то следует полагаться на интуицию. В любом случае, репрезентативность выборки можно оценить только при проверке построенной статистической модели на адекватность.
Выберем из выборки (118) элементы в порядке их возрастания
… . (119)
Упорядоченная выборка (119) называется вариационным рядом, а его элементы признаками. Обозначим через mr число повторений признака r,
, тогда выборку (118) можно представить в виде простой статистической табл. 10.
Таблица 10
... |
( mr = n) . | ||||
... |
Числа называют абсолютной частотой,
Как правило, таблица 10 составляется для дискретных, случайных величин.
Для непрерывных случайных величин используется табл. 11.
Таблица 11
интервалы
|
|
|
... |
|
|
|
. |
относит. частота
|
... |
Величина называется относительной частотой,
Табл. 11 можно изобразить графически в виде гистограммы, представленной на рис. 32.
Рис. 32
Гистограмма – набор прямоугольников, в основании которых лежат длины интервалов , а их высоты определяются равенством.
Учитывая, что сумма площадей прямоугольников равна , то гистограмма есть статистический аналог плотности.
Замечание. Часто, при исследовании непрерывной случайной величины для выборок большого объема (n 50) рассматривают интервалы равной длины h, определяемые формулой
,
, . Обычно, что продиктованол практической целесообразностью.
Величина R =называетсяразмахом выборки (118) (или вариационного ряда (119)).
Желательно, чтобы, при выборе длин интервалов hr гистограммы, не получались прямоугольники с площадью равной 0. В противном случае, это может привести к неверному выбору плотности распределения. Положение всегда можно исправить путем соответствующего изменения длин интервалов hr.
Если выборка (118) достаточно большого объема и репрезентативна, то можно построить эмпирическую функцию распределения исследуемой случайной величины , , которая определяется формулой:
(120)
где , а m – число элементов выборки (118), не превосходящих заданного х.
Если случайная величина - непрерывна, то эмпирическая функция может быть задана формулой
(121)