теория вероятности и статистика. Методическое пособие для второго курса студентов всех специальностей
 Скачать 0.58 Mb.
|
|
Тема 5. Непрерывные случайные величины. Нормальный закон распределения Функция распределения случайной величины, ее свойства и гра фик. Определение непрерывной случайной величины. Вероятность отдельно взятого значения непрерывной случайной величины. Плот ность вероятности, ее свойства и график. Математическое ожидание и дисперсия непрерывной случайной величины. Определение нормаль ного закона распределения; теоретико вероятностный смысл его па раметров. Нормальная кривая и зависимость ее положения и формы от параметров. Функция распределения нормально распределенной случайной величины и ее выражение через функцию Лапласа. Форму лы для определения вероятности: а) попадания нормально распреде ленной случайной величины в заданный интервал; б) отклонения нор мально распределенной случайной величины от ее математического ожидания. Правило «трех сигм». Понятие о центральной предельной теореме (теореме Ляпунова) [1, § 3.5–6.5]. Функция распределения случайной величины – одно из фунда ментальных понятий теории вероятностей, поскольку является уни 12 версальным описанием любой случайной величины. Функция рас пределения F(x) представляет собой вероятность того, что случай ная величина Х примет значение, меньшее х, то есть F(x) = Р(Х < х). Необходимо знать свойства функции распределения F(x) и ее про изводной ϕ(х) – плотности вероятности случайной величины и уметь изображать их графически. Из законов распределения не прерывных случайных величин наиболее важное значение имеет нормальный закон распределения. Необходимо знать теоретико ве роятностный смысл его параметров, выражение функции распреде ления F N (x) через функцию Лапласа Ф(х), свойства нормально распределенной случайной величины, правило «трех сигм». Важно уяснить, что нормальный закон, в отличие от прочих, является пре дельным законом, к которому при некоторых весьма часто встреча ющихся условиях приводит совокупное действие (сумма) п незави симых случайных величин X 1 , X 2 , …, X n при n Тема 6. Двумерные (n мерные) случайные величины Понятие двумерной (п мерной) случайной величины. Одномерные распределения ее составляющих. Условные распределения. Ковариация и коэффициент корреляции. Свойства коэффициента корреляции. Двумерное нормальное распределение. Условные математическое ожидание и дисперсия [1, § 5.1, 5.6, 5.7]. В этой теме обобщается понятие случайной величины, вводятся понятия многомерной (n мерной) случайной величины, условных распределений и их числовых характеристик. Так как математичес кие ожидания и дисперсии случайных величин Х и Y недостаточно полно характеризуют двумерную случайную величину (X, Y), рас сматриваются ковариация и коэффициент корреляции случайных величин, которые позволяют выявить степень зависимости между Х и Y. Завершается тема понятием двумерного нормального закона распределения. Следует обратить внимание на то, что в случае дву мерного нормального закона зависимости условных математичес ких ожиданий М x (Y) (или M y (X)) от х (или у), то есть нормальные регрессии Y по Х (или Х по Y), всегда линейны, а условные дисперсии D x (Y) (или D y (X)) постоянны и не зависят от значений х (или у). 13 Тема 7. Закон больших чисел Сущность закона больших чисел. Значение теорем закона больших чисел для математической статистики. Лемма Чебышева (неравен ство Маркова). Неравенство Чебышева и его частные случаи: а) для средней арифметической случайных величин; б) для случайной величи ны, распределенной по биномиальному закону; в) для частости собы тия. Теорема Чебышева и ее следствие. Теорема Бернулли [1, § 6.1–6.4]. Данная тема важна для понимания методов математической ста тистики. Она включает ряд теорем, устанавливающих при опреде ленных условиях устойчивость частости (относительной частоты) и средней арифметической (теоремы Бернулли, Чебышева и др.). При изучении каждой из них важно уяснить условия их применимо сти, а также смысл утверждений, сопровождаемых словами «практи чески невозможно», «практически достоверно». Особое внимание следует уделить понятию «сходимость по вероятности». При использовании неравенств Маркова и Чебышева в процес се решения задач необходимо учитывать, что: 1) приведенные неравенства дают не точное значение соответ ствующей вероятности, а лишь ее оценку «снизу» или «сверху» (ве роятность не меньше (не больше) данного числа); 2) неравенство Чебышева оценивает вероятность отклонения случайной величины Х от ее математического ожидания M(X) = a. Неравенство | X – a | может быть представлено в виде: X a или a X Это означает, что случайная вели чина Х принимает значения в границах, симметрично расположен ных относительно а, то есть от а – до а Раздел II. Математическая статистика Тема 8. Вариационные ряды Вариационный ряд как результат первичной обработки данных наблюдений. Дискретный и интервальный ряды. Средняя арифмети ческая и дисперсия вариационного ряда, упрощенный способ их вычис ления [1, § 8.1–8.4]. 14 Прежде чем непосредственно изучать выборочный метод, необ ходимо ознакомиться с простейшей статистической обработкой опытных данных, построением вариационных рядов и вычислением их числовых характеристик. Вариационный ряд является статистическим аналогом (реали зацией) распределения признака (случайной величины), а его чис ловые характеристики (средняя арифметическая х и дисперсия s 2 ) – аналогами соответствующих числовых характеристик случайной величины – математического ожидания M(X) и дисперсии D(X). Точно так же понятие частости (относительной частоты) w для ва риационного ряда аналогично понятию вероятности p для случай ной величины. Необходимо четко знать формулы вычисления числовых ха рактеристик ряда [1, § 8.2, 8.3]. Более сложные формулы, используе мые в упрощенном способе расчета [1, § 8.4], являются вспомога тельными. Их сложность объясняется переходом в расчетах от рас сматриваемых вариантов к условным. Однако некоторое усложнение нахождения числовых характе ристик по этим формулам компенсируется снижением трудоемкос ти расчетов за счет существенного упрощения условных вариантов по сравнению с исходными. Тема 9. Основы выборочного метода Сплошное и выборочное наблюдения. Генеральная и выборочная совокупности. Собственно случайная выборка с повторным и беспов торным отбором членов. Репрезентативная выборка. Понятие об оценке параметров генеральной совокупности. Свойства оценок: несмещенность, состоятельность и эффективность. Оценка гене ральных доли и средней по собственно случайной выборке. Несмещен ность и состоятельность выборочных доли и средней. Смещенность и состоятельность выборочной дисперсии как оценки генеральной дисперсии. Интервальная оценка параметров. Доверительная вероят ность, надежность оценки и предельная ошибка выборки. Формулы доверительных вероятностей для средней и доли. Объем выборки [1, § 9.1, 9.2, 9.4, 9.6]. 15 Выборочный метод широко применяется на практике. Однако значение этой темы значительно шире, поскольку концепция выбор ки лежит в основе методологии математической статистики. Соотно шение между характеристиками выборочной и генеральной сово купностей есть соотношение между опытными данными (результа тами наблюдений) и теоретической моделью. Чтобы иметь возможность по данным выборки судить о гене ральной совокупности, она должна быть отобрана случайно. Поэто му выборочные характеристики – выборочные средняя х , доля w и дисперсия s 2 – величины случайные, в отличие от их аналогов в ге неральной совокупности 0 х , p и σ 2 – величин неслучайных. Необходимо знать свойства выборочных оценок (несмещен ность, состоятельность, эффективность) и уметь обосновывать не смещенность и состоятельность выборочных средней и доли. При этом следует помнить, что основное требование, предъявляемое к выборочной оценке θ n , заключается в том, чтобы ее рассеяние отно сительно оцениваемого параметра θ, то есть 2 θ θ n M , было мини мальным. Для несмещенной оценки, для которой 2 2 θ θ θ θ σ n n n M D , это требование означает ее эффектив ность. Но даже «наилучшая» оценка является лишь приближенным значением неизвестного параметра и, будучи величиной случайной, может существенно отличаться от самого параметра. Поэтому наряду с точечной рассматривают интервальную оцен ку параметра, то есть такой числовой интервал, который с заданной доверительной вероятностью (надежностью) накрывает неизвест ное значение параметра. Программой предусматривается построе ние доверительного интервала для генеральной средней и генераль ной доли собственно случайных выборок (повторной и бесповтор ной). Основой являются формулы доверительной вероятности для средней и доли [1, формулы (9.23), (9.24)]. Необходимо усвоить три типа задач на выборку, сводящиеся к определению предельной ошибки выборки или границ доверитель ного интервала, надежности оценки и объема выборки. При решении задач на нахождение объема выборки следует учесть, что это не просто задачи на вычисление неизвестной величи 16 ны n из формулы, выражающей предельную ошибку выборки через дисперсию признака. Ведь обычно объем выборки надо знать до проведения выборочного наблюдения, но в этом случае неизвестны не только дисперсии признака σ 2 или рq, но даже их оценки. Поэто му вместо неизвестных значений σ 2 или рq берут выборочные харак теристики s 2 или w(1 – w) предшествующего исследования в анало гичных условиях, то есть полагают, что 2 2 σ s p , w Если ника ких сведений о σ 2 или р нет, то в качестве σ 2 или р используют их вы борочные оценки по специальной пробной выборке небольшого объема и по формулам (9.33)–(9.36) находят объем основной вы борки. При оценке генеральной доли р вместо проведения пробной выборки можно в формулах объема выборки произведение рq = р(1 – р) заменить его максимальным значением, равным 0,25. Если по условию задачи объем бесповторной выборки значи тельно меньше объема генеральной совокупности или генеральная совокупность бесконечна, то расчет необходимых характеристик проводят по формулам для повторной выборки. Тема 10. Элементы проверки статистических гипотез Статистическая гипотеза и статистический критерий. Ошибки 1 го и 2 го рода. Уровень значимости и мощность критерия. Принцип практической уверенности. Оценка параметров законов распределе ния по выборочным данным. Понятие о критериях согласия. 2 χ кри терий Пирсона и схема его применения [1, § 10.1, 10.2, 10.7]. Проверка статистических гипотез – один из наиболее часто ис пользуемых на практике разделов математической статистики. Не обходимо усвоить такие понятия, как статистическая гипотеза и ста тистический критерий, ошибки 1 го и 2 го рода, уровень значимости и мощность критерия. Важнейшим вопросом темы является построение теоретическо го закона распределения (выбор типа закона и оценка его парамет ров) по опытным данным и оценка его расхождения (согласия) с эмпирическим распределением. Необходимо уяснить суть крите риев согласия, позволяющих установить (на данном уровне значи мости), объясняется ли расхождение между эмпирическим и теоре 17 тическим распределением лишь случайными причинами, связанны ми с ограниченным числом наблюдений, или они являются суще ственными и связаны с тем, что теоретический закон распределения подобран неудачно. Необходимо знать критерии согласия, в частности 2 χ критерий Пирсона и схему его применения. Тема 11. Элементы теории корреляции Функциональная, статистическая и корреляционная зависимос ти. Уравнения регрессии, корреляционная таблица. Групповые средние. Основные задачи теории корреляции: определение формы и оценка тесноты связи. Линейная парная регрессия. Определение параметров прямых регрессий методом наименьших квадратов. Выборочная кова риация. Формулы расчета коэффициентов регрессии. Выборочный коэффициент корреляции, его свойства и оценка достоверности (зна чимости). Понятие о нелинейной и множественной корреляции [1, § 12.1–12.3, 12.5]. Корреляционный анализ наряду с выборочным методом пред ставляет собой важнейшее прикладное направление математичес кой статистики. Предметом его исследования является связь (зави симость) между различными варьирующими признаками (перемен ными величинами), при которой каждому значению одной перемен ной соответствует не определенное значение другой (как это имеет место при функциональной зависимости), а распределение другой переменной с определенным условным математическим ожиданием. При изучении темы следует уяснить сущность статистической зависимости и ее частного случая – корреляционной зависимости. Конечная цель корреляционного анализа – получение уравне ний прямых регрессий, характеризующих форму зависимости, и вычисление коэффициента корреляции, определяющего тесноту (силу) связи, если она линейная. Расчет производится в два этапа. На первом этапе обрабатыва ют табличные данные для нахождения величин выборочных сред них , , x y дисперсий 2 2 , x y s s и выборочной ковариации μ. При этом рекомендуется использовать упрощенный способ их расчета 18 [1, § 12.2]. Второй этап – вычисление основных характеристик кор реляционной зависимости (коэффициентов регрессии b yx , b xy , коэф фициента корреляции r) и оценка их достоверности. При решении задачи 3 контрольной работы № 4 следует учесть, что прямые регрессии должны быть построены на одном чертеже с эмпирическими линиями (ломаными) регрессии. Причем они долж ны образовывать с осью Оx либо только острые, либо только тупые углы и пересекаться в точке , x y Все расчеты необходимо проводить с разумной степенью точно сти, используя правила приближенных вычислений и сохраняя в промежуточных вычислениях на один два десятичных знака боль ше, чем в окончательном ответе (правило запасной цифры). Вопросы для самопроверки 1. Классификация случайных событий. Классическое определе ние вероятности. Свойства вероятности события, непосредственный подсчет вероятности. Примеры. 2. Статистическое определение вероятности события и условия его применимости. Пример. 3. Несовместные и совместные события.Сумма событий. Теорема сложения вероятностей (с доказательством). Пример. 4. Полная группа событий. Противоположные события. Соотно шение между вероятностями противоположных событий (с выво дом). Примеры. 5. Зависимые и независимые события. Произведение событий. Понятие условной вероятности. Теорема умножения вероятностей (с доказательством). Примеры. 6. Формулы полной вероятности и Байеса (с доказательством). Примеры. 7. Повторные независимые испытания. Формула Бернулли (с выводом). Примеры. 8. Локальная теорема Муавра–Лапласа, условия ее применимос ти. Свойства функции f (x). Пример. 9. Асимптотическая формула Пуассона и условия ее применимо сти. Пример. 19 10. Интегральная теорема Муавра—Лапласа и условия ее при менимости. Функция Лапласа Ф(х) и ее свойства. Пример. 11. Следствия из интегральной теоремы Муавра–Лапласа (с выводом). Примеры. 12. Понятие случайной величины и ее описание. Дискретная слу чайная величина и закон (ряд) ее распределения. Независимые слу чайные величины. Примеры. 13. Математические операции над дискретными случайными величинами. Примеры построения законов распределения для kХ, Х 2 , Х + Y, XY по заданным распределениям независимых случайных величин Х и Y. 14. Математическое ожидание дискретной случайной величины и его свойства (с выводом). Примеры. 15. Дисперсия дискретной случайной величины и ее свойства (с выводом). Примеры. 16. Математическое ожидание и дисперсия числа и частости на ступлений события в п повторных независимых испытаниях (с вы водом). 17. Случайная величина, распределенная по биномиальному за кону, ее математическое ожидание и дисперсия. Закон распределе ния Пуассона. 18. Функция распределения случайной величины, ее определе ние, свойства и график. 19. Непрерывная случайная величина (НСВ). Вероятность от дельно взятого значения НСВ. Математическое ожидание и диспер сия НСВ. 20. Плотность вероятности непрерывной случайной величины, ее определение, свойства и график. 21. Определение нормального закона распределения. Теорети ко вероятностный смысл его параметров. Нормальная кривая и за висимость ее положения и формы от параметров. 22. Функция распределения нормально распределенной случай ной величины и ее выражение через функцию Лапласа. 23. Формулы для определения вероятности: а) попадания нор мально распределенной случайной величины в заданный интервал; 20 б) ее отклонения от математического ожидания. Правило «трех сигм». 24. Центральная предельная теорема. Понятие о теореме Ляпу нова и ее значение. Пример. 25. Понятие двумерной (n мерной) случайной величины. При меры. Таблица ее распределения. Одномерные распределения ее со ставляющих. Условные распределения и их нахождение по таблице распределения. 26. Ковариация и коэффициент корреляции случайных вели чин. Связь между некоррелированностью и независимостью случай ных величин. 27. Понятие о двумерном нормальном законе распределения. Условные математические ожидания и дисперсии. 28. Неравенство Маркова (лемма Чебышева) (с выводом). Пример. 29. Неравенство Чебышева (с выводом) и его частные случаи для случайной величины, распределенной по биномиальному закону, и частости события. 30. Неравенство Чебышева для средней арифметической случай ных величин (с выводом). 31. Теорема Чебышева (с доказательством), ее значение и след ствие. Пример. 32. Закон больших чисел. Теорема Бернулли (с доказатель ством) и ее значение. Пример. 33. Вариационный ряд и его разновидности. Средняя арифмети ческая и дисперсия ряда, упрощенный способих расчета. 34. Генеральная и выборочная совокупности. Принцип образова ния выборки. Собственно случайная выборка с повторным и бес повторным отбором членов. Репрезентативная выборка. Основная задача выборочного метода. 35. Понятие об оценке параметров генеральной совокупности. Свойства оценок: несмещенность, состоятельность, эффективность. 36. Оценка генеральной доли по собственно случайной выборке. Несмещенность и состоятельность выборочной доли. 37. Оценка генеральной средней по собственно случайной вы борке. Несмещенность и состоятельность выборочной средней. 21 38. Оценка генеральной дисперсии по собственно случайной выборке. Смещенность и состоятельность выборочной дисперсии (без вывода). Исправленная выборочная дисперсия. 39. Понятие об интервальном оценивании. Доверительная вероят ность и доверительный интервал. Предельная ошибка выборки. Ошиб ки репрезентативности выборки (случайные и систематические). 40. Формула доверительной вероятности при оценке генераль ной доли признака. Средняя квадратическая ошибка повторной и бесповторной выборок и построение доверительного интервала для генеральной доли признака. 41. Формула доверительной вероятности при оценке генераль ной средней. Средняя квадратическая ошибка повторной и беспов торной выборок и построение доверительного интервала для гене ральной средней. 42. Определение необходимого объема повторной и бесповтор ной выборок при оценке генеральных средней и доли. 43. Статистическая гипотеза и статистический критерий. Ошиб ки 1 го и 2 го рода. Уровень значимости и мощность критерия. Принцип практической уверенности. 44. Построение теоретического закона распределения по опыт ным данным. 45. Понятие о критериях согласия. 2 χ критерий Пирсона и схе ма его применения. 46. Функциональная, статистическая и корреляционная зависи мости, различия между ними. Основные задачи теории корреляции. 47. Линейная парная регрессия. Система нормальных уравне ний для определения параметров прямых регрессии. Выборочная ковариация. Формулы для расчета коэффициентов регрессии. 48. Оценка тесноты связи. Коэффициент корреляции (выбороч ный), его свойства и оценка достоверности. Задачи для самоподготовки Ниже приводятся номера рекомендуемых задач с решениями и для самостоятельного выполнения по учебнику [1]. Студентам ре комендуется в первую очередь разобрать задачи с решениями, а за тем выборочно решить задачи для самостоятельного выполнения (например, каждую вторую задачу из списка задач по теме). 22 Указания по выполнению контрольных работ В соответствии с учебным планом по дисциплине «Теория веро ятностей и математическая статистика» каждый студент должен выполнить две контрольные работы — № 3 и № 4. Контрольная ра бота № 3 охватывает материал курса, соответствующий разделу Номера задач по учебнику [1] |