Θεωρία Πιθανοτήτων και Μαθηματική Στατιστική
- Agekyan T.A. Fundamentals of Error Theory for Astronomers and Physicists (2η έκδ.). Μ.: Nauka, 1972 (djvu, 2,44 M)
- Agekyan T.A. Θεωρία πιθανοτήτων για αστρονόμους και φυσικούς. Μ.: Nauka, 1974 (djvu, 2,59 M)
- Anderson T. Στατιστική ανάλυση χρονοσειρών. Μ.: Μιρ, 1976 (djvu, 14 M)
- Bakelman I.Ya. Werner A.L. Kantor B.E. Εισαγωγή στη διαφορική γεωμετρία «γενικά». Μ.: Nauka, 1973 (djvu, 5,71 M)
- Bernstein S.N. Θεωρία πιθανοτήτων. Μ.-Λ.: Γ.Ι., 1927 (djvu, 4,51 εκατ.)
- Billingsley P. Σύγκλιση μέτρων πιθανότητας. Μ.: Nauka, 1977 (djvu, 3,96 M)
- Πλαίσιο J. Jenkins G. Ανάλυση χρονοσειρών: πρόβλεψη και διαχείριση. Τεύχος 1. Μ.: Mir, 1974 (djvu, 3,38 M)
- Πλαίσιο J. Jenkins G. Ανάλυση χρονοσειρών: πρόβλεψη και διαχείριση. Τεύχος 2. Μ.: Mir, 1974 (djvu, 1,72 M)
- Borel E. Πιθανότητα και αξιοπιστία. Μ.: Nauka, 1969 (djvu, 1,19 M)
- Van der Waerden B.L. Στατιστικά μαθηματικών. Μ.: IL, 1960 (djvu, 6,90 M)
- Vapnik V.N. Ανάκτηση εξαρτήσεων με βάση εμπειρικά δεδομένα. Μ.: Nauka, 1979 (djvu, 6,18 M)
- Βέντσελ Ε.Σ. Εισαγωγή στην Επιχειρησιακή Έρευνα. Μ.: Σοβιετικό ραδιόφωνο, 1964 (djvu, 8,43 εκατ.)
- Βέντσελ Ε.Σ. Elements of Game Theory (2η έκδοση). Σειρά: Δημοφιλείς διαλέξεις για τα μαθηματικά. Τεύχος 32. Μ.: Nauka, 1961 (djvu, 648 K)
- Ventstel E.S. Θεωρία πιθανοτήτων (4η έκδ.). Μ.: Nauka, 1969 (djvu, 8,05 M)
- Ventstel E.S., Ovcharov L.A. Θεωρία πιθανοτήτων. Εργασίες και ασκήσεις. Μ.: Nauka, 1969 (djvu, 7,71 M)
- Vilenkin N.Ya., Potapov V.G. Ένα πρακτικό βιβλίο εργασίας για τη θεωρία πιθανοτήτων με στοιχεία συνδυαστικής και μαθηματικής στατιστικής. Μ.: Εκπαίδευση, 1979 (djvu, 1,12M)
- Gmurman V.E. Ένας οδηγός για την επίλυση προβλημάτων στη θεωρία πιθανοτήτων και στη μαθηματική στατιστική (3η έκδοση). Μ.: Πιο ψηλά. σχολείο, 1979 (djvu, 4,24 M)
- Gmurman V.E. Θεωρία πιθανοτήτων και μαθηματικά στατιστικά(4η έκδ.). Μ.: Ανώτατο Σχολείο, 1972 (djvu, 3,75 εκατ.)
- Gnedenko B.V., Kolmogorov A.N. Κατανομές ορίων για αθροίσματα ανεξάρτητων τυχαίων μεταβλητών. M.-L.: GITTL, 1949 (djvu, 6,26 εκατ.)
- Gnedenko B.V., Khinchin A.Ya. An Elementary Introduction to Probability Theory (7η έκδ.). Μ.: Nauka, 1970 (djvu, 2,48 M)
- Oak J.L. Πιθανολογικές διαδικασίες. Μ.: IL, 1956 (djvu, 8,48 εκατ.)
- David G. Ordinal στατιστικά. Μ.: Nauka, 1979 (djvu, 2,87 εκατ.)
- Ibragimov I.A., Linnik Yu.V. Ανεξάρτητες και σταθερές σχετικές ποσότητες. Μ.: Nauka, 1965 (djvu, 6,05 εκατ.)
- Idier V., Dryard D., James F., Rus M., Sadoulet B. Στατιστικές μέθοδοι στην πειραματική φυσική. Μ.: Atomizdat, 1976 (djvu, 5,95 εκατ.)
- Kamalov M.K. Διανομή τετραγωνικές μορφέςσε δείγματα από κανονικό πληθυσμό. Τασκένδη: Ακαδημία Επιστημών της UzSSR, 1958 (djvu, 6,29 εκατ.)
- Kassandra O.N., Lebedev V.V. Επεξεργασία των αποτελεσμάτων παρατήρησης. Μ.: Nauka, 1970 (djvu, 867 K)
- Katz M. Πιθανότητες και συναφή θέματα στη φυσική. Μ.: Μιρ, 1965 (djvu, 3,67 M)
- Katz M. Αρκετά πιθανολογικά προβλήματα της φυσικής και των μαθηματικών. Μ.: Nauka, 1967 (djvu, 1,50 μ.)
- Katz M. Στατιστική ανεξαρτησία στη θεωρία πιθανοτήτων, ανάλυση και θεωρία αριθμών. Μ.: IL, 1963 (djvu, 964 K)
- Kendall M., Moran P. Γεωμετρικές πιθανότητες. Μ.: Nauka, 1972 (djvu, 1,40 M)
- Kendall M., Stewart A. Τόμος 2. Στατιστικά συμπεράσματα και συνδέσεις. Μ.: Nauka, 1973 (djvu, 10 M)
- Kendall M., Stewart A. Τόμος 3. Πολυμεταβλητή στατιστική ανάλυση και χρονοσειρές. Μ.: Nauka, 1976 (djvu, 7,96 M)
- Kendall M., Stewart A. Vol. 1. Θεωρία κατανομών. Μ.: Nauka, 1965 (djvu, 6,02 M)
- Kolmogorov A.N. Βασικές έννοιες της θεωρίας πιθανοτήτων (2η έκδ.) Μ.: Nauka, 1974 (djvu, 2,14 εκατ.)
- Kolchin V.F., Sevastyanov B.A., Chistyakov V.P. Τυχαίες τοποθετήσεις. Μ.: Nauka, 1976 (djvu, 2,96 M)
- Kramer G. Μαθηματικές μέθοδοι στατιστικής (2η έκδ.). Μ.: Μιρ, 1976 (djvu, 9,63 M)
- Leman E. Έλεγχος στατιστικών υποθέσεων. Μ.: Επιστήμη. 1979 (djvu, 5,18 M)
- Linnik Yu.V., Ostrovsky I.V. Αποσυνθέσεις τυχαίων μεταβλητών και διανυσμάτων. Μ.: Nauka, 1972 (djvu, 4,86 M)
- Likholetov I.I., Matskevich I.P. Ένας οδηγός για την επίλυση προβλημάτων στα ανώτερα μαθηματικά, τη θεωρία πιθανοτήτων και τη μαθηματική στατιστική (2η έκδοση). Μν.: Vysh. σχολείο, 1969 (djvu, 4,99 M)
- Loev M. Θεωρία Πιθανοτήτων. Μ.: IL, 1962 (djvu, 7,38 M)
- Malakhov A.N. Σωρευτική ανάλυση τυχαίων μη Gaussian διεργασιών και μετασχηματισμών τους. Μ.: Σοβ. ραδιόφωνο, 1978 (djvu, 6,72 M)
- Meshalkin L.D. Συλλογή προβλημάτων στη θεωρία πιθανοτήτων. Μ.: MSU, 1963 (djvu, 1 004 K)
- Mitropolsky A.K. Θεωρία των στιγμών. Μ.-Λ.: GIKSL, 1933 (djvu, 4,49 M)
- Mitropolsky A.K. Τεχνικές στατιστικών υπολογισμών (2η έκδ.). Μ.: Nauka, 1971 (djvu, 8,35 M)
- Mosteller F., Rurke R., Thomas J. Probability. Μ.: Μιρ, 1969 (djvu, 4,82M)
- Nalimov V.V. Εφαρμογή της μαθηματικής στατιστικής στην ανάλυση της ύλης. Μ.: GIFML, 1960 (djvu, 4,11 εκατ.)
- Neveu J. Μαθηματικά θεμέλια της θεωρίας πιθανοτήτων. Μ.: Μιρ, 1969 (djvu, 3,62M)
- Preston K. Μαθηματικά. Νέο στην ξένη επιστήμη Νο.7. Ο Gibbs δηλώνει σε μετρήσιμα σύνολα. Μ.: Μιρ, 1977 (djvu, 2,15 M)
- Savelyev L.Ya. Στοιχειώδης θεωρία πιθανοτήτων. Μέρος 1. Novosibirsk: NSU, 2005 (
Θεωρία Πιθανοτήτων και Μαθηματική Στατιστική
1. ΘΕΩΡΗΤΙΚΟ ΜΕΡΟΣ
1 Σύγκλιση ακολουθιών τυχαίων μεταβλητών και κατανομές πιθανοτήτων
Στη θεωρία πιθανοτήτων έχουμε να αντιμετωπίσουμε ΔΙΑΦΟΡΕΤΙΚΟΙ ΤΥΠΟΙσύγκλιση τυχαίων μεταβλητών. Ας εξετάσουμε τους ακόλουθους κύριους τύπους σύγκλισης: κατά πιθανότητα, με πιθανότητα ένα, κατά τάξη p, κατά κατανομή.
Έστω... τυχαίες μεταβλητές που ορίζονται σε κάποιο χώρο πιθανοτήτων (, Ф, P).
Ορισμός 1. Μια ακολουθία τυχαίων μεταβλητών, ... λέγεται ότι συγκλίνει κατά πιθανότητα σε μια τυχαία μεταβλητή (ονομασία:), εάν για οποιαδήποτε > 0
Ορισμός 2. Μια ακολουθία τυχαίων μεταβλητών, ... λέγεται ότι συγκλίνει με πιθανότητα ένα (σχεδόν σίγουρα, σχεδόν παντού) σε μια τυχαία μεταβλητή αν
εκείνοι. αν το σύνολο των αποτελεσμάτων για τα οποία το () δεν συγκλίνει στο () έχει μηδενική πιθανότητα.
Αυτός ο τύπος σύγκλισης συμβολίζεται ως εξής: , ή, ή.
Ορισμός 3. Μια ακολουθία τυχαίων μεταβλητών ... ονομάζεται μέσος όρος-συγκλίνουσα τάξης p, 0< p < , если
Ορισμός 4. Μια ακολουθία τυχαίων μεταβλητών... λέγεται ότι συγκλίνει κατά την κατανομή σε μια τυχαία μεταβλητή (σημείωση:) εάν για οποιαδήποτε περιορισμένη συνεχή συνάρτηση
Η σύγκλιση στην κατανομή των τυχαίων μεταβλητών ορίζεται μόνο ως προς τη σύγκλιση των συναρτήσεων κατανομής τους. Επομένως, είναι λογικό να μιλάμε για αυτόν τον τύπο σύγκλισης ακόμη και όταν τυχαίες μεταβλητές καθορίζονται σε διαφορετικούς χώρους πιθανοτήτων.
Θεώρημα 1.
α) Για (P-a.s.), είναι απαραίτητο και αρκετό για οποιοδήποτε > 0
) Η ακολουθία () είναι θεμελιώδης με πιθανότητα μία εάν και μόνο εάν για οποιαδήποτε > 0.
Απόδειξη.
α) Έστω A = (: |- | ), A = A. Τότε
Επομένως, η δήλωση α) είναι το αποτέλεσμα της ακόλουθης αλυσίδας συνεπειών:
P(: )= 0 P() = 0 = 0 P(A) = 0, m 1 P(A) = 0, > 0 P() 0, n 0, > 0 P( ) 0,
n 0, > 0.) Ας συμβολίσουμε = (: ), = . Τότε το (: (()) δεν είναι θεμελιώδες ) = και με τον ίδιο τρόπο όπως στο α) φαίνεται ότι το (: (()) δεν είναι θεμελιώδες ) = 0 P( ) 0, n.
Το θεώρημα είναι αποδεδειγμένο
Θεώρημα 2. (Κριτήριο Cauchy για σχεδόν βέβαιη σύγκλιση)
Προκειμένου μια ακολουθία τυχαίων μεταβλητών () να συγκλίνει με την πιθανότητα ένα (σε κάποια τυχαία μεταβλητή), είναι απαραίτητο και αρκετό να είναι θεμελιώδης με την πιθανότητα ένα.
Απόδειξη.
Αν, τότε +
από το οποίο προκύπτει η αναγκαιότητα των συνθηκών του θεωρήματος.
Τώρα ας είναι η ακολουθία () θεμελιώδης με πιθανότητα ένα. Ας συμβολίσουμε L = (: (()) όχι θεμελιώδες). Τότε για όλους η ακολουθία αριθμών () είναι θεμελιώδης και, σύμφωνα με το κριτήριο Cauchy για τις ακολουθίες αριθμών, η () υπάρχει. Ας βάλουμε
Αυτή η καθορισμένη συνάρτηση είναι μια τυχαία μεταβλητή και.
Το θεώρημα έχει αποδειχθεί.
2 Μέθοδος χαρακτηριστικών συναρτήσεων
Η μέθοδος των χαρακτηριστικών συναρτήσεων είναι ένα από τα κύρια εργαλεία της αναλυτικής συσκευής της θεωρίας πιθανοτήτων. Μαζί με τις τυχαίες μεταβλητές (λαμβάνοντας πραγματικές τιμές), η θεωρία των χαρακτηριστικών συναρτήσεων απαιτεί τη χρήση τυχαίων μεταβλητών μιγαδικής αξίας.
Πολλοί από τους ορισμούς και τις ιδιότητες που σχετίζονται με τυχαίες μεταβλητές μεταφέρονται εύκολα στη σύνθετη περίπτωση. Έτσι, η μαθηματική προσδοκία Μ ?τυχαία μεταβλητή μιγαδικής αξίας ?=?+?? θεωρείται καθορισμένη εάν καθοριστεί μαθηματικές προσδοκίεςΜ ?τους ?. Σε αυτή την περίπτωση, εξ ορισμού υποθέτουμε το Μ ?= Μ ? + ?Μ ?. Από τον ορισμό της ανεξαρτησίας των τυχαίων στοιχείων προκύπτει ότι τα μεγέθη με μιγαδικές τιμές ?1 =?1+??1 , ?2=?2+??2είναι ανεξάρτητες αν και μόνο αν ζεύγη τυχαίων μεταβλητών είναι ανεξάρτητα ( ?1 , ?1) Και ( ?2 , ?2), ή, που είναι το ίδιο πράγμα, ανεξάρτητο ?-άλγεβρα F Δ1, Δ1 και F ?2, ?2.
Μαζί με τον χώρο Λ 2πραγματικές τυχαίες μεταβλητές με πεπερασμένη δεύτερη στιγμή, μπορούμε να εισαγάγουμε τον χώρο Hilbert τυχαίων μεταβλητών μιγαδικής αξίας ?=?+?? με Μ | ?|2, где |?|2= ?2+?2και το βαθμωτό γινόμενο ( ?1 , ?2)= Μ ?1?2¯ , Οπου ?2¯ - σύνθετη συζυγή τυχαία μεταβλητή.
Στις αλγεβρικές πράξεις, τα διανύσματα Rn αντιμετωπίζονται ως αλγεβρικές στήλες,
Ως διανύσματα σειρών, a* - (a1,a2,…,an). Εάν Rn , τότε το κλιμακωτό γινόμενο τους (a,b) θα γίνει κατανοητό ως ποσότητα. Είναι ξεκάθαρο ότι
Αν aRn και R=||rij|| είναι ένας πίνακας τάξης nхn, λοιπόν
Ορισμός 1. Έστω F = F(x1,....,xn) - n-διάστατη συνάρτηση κατανομής στο (, ()). Η χαρακτηριστική του λειτουργία ονομάζεται συνάρτηση
Ορισμός 2 . Αν? = (?1,…,?n) είναι ένα τυχαίο διάνυσμα που ορίζεται σε ένα χώρο πιθανοτήτων με τιμές μέσα, τότε η χαρακτηριστική του συνάρτηση ονομάζεται συνάρτηση
που είναι το F; = F?(х1,….,хn) - συνάρτηση κατανομής διανυσμάτων;=(?1,…, ?n).
Αν η συνάρτηση κατανομής F(x) έχει πυκνότητα f = f(x), τότε
Σε αυτή την περίπτωση, η χαρακτηριστική συνάρτηση δεν είναι τίποτα άλλο από τον μετασχηματισμό Fourier της συνάρτησης f(x).
Από το (3) προκύπτει ότι η χαρακτηριστική συνάρτηση ??(t) ενός τυχαίου διανύσματος μπορεί επίσης να οριστεί από την ισότητα
Βασικές ιδιότητες χαρακτηριστικών συναρτήσεων (στην περίπτωση n=1).
Ας είναι? = ?(?) - τυχαία μεταβλητή, F? =F; (x) είναι η συνάρτηση κατανομής της και είναι η χαρακτηριστική συνάρτηση.
Πρέπει να σημειωθεί ότι εάν, τότε.
Πράγματι,
όπου εκμεταλλευτήκαμε το γεγονός ότι η μαθηματική προσδοκία του γινομένου ανεξάρτητων (περιορισμένων) τυχαίων μεταβλητών είναι ίση με το γινόμενο των μαθηματικών προσδοκιών τους.
Η ιδιότητα (6) είναι βασική όταν αποδεικνύονται οριακά θεωρήματα για αθροίσματα ανεξάρτητων τυχαίων μεταβλητών με τη μέθοδο των χαρακτηριστικών συναρτήσεων. Από αυτή την άποψη, η συνάρτηση διανομής εκφράζεται μέσω των συναρτήσεων διανομής μεμονωμένων όρων με πολύ πιο σύνθετο τρόπο, δηλαδή όπου το σύμβολο * σημαίνει μια συνέλιξη των κατανομών.
Κάθε συνάρτηση διανομής μπορεί να συσχετιστεί με μια τυχαία μεταβλητή που έχει αυτή τη συνάρτηση ως συνάρτηση διανομής. Επομένως, όταν παρουσιάζουμε τις ιδιότητες των χαρακτηριστικών συναρτήσεων, μπορούμε να περιοριστούμε στην εξέταση των χαρακτηριστικών συναρτήσεων των τυχαίων μεταβλητών.
Θεώρημα 1.Ας είναι? - μια τυχαία μεταβλητή με συνάρτηση κατανομής F=F(x) και - τη χαρακτηριστική της συνάρτηση.
Πραγματοποιούνται οι ακόλουθες ιδιότητες:
) είναι ομοιόμορφα συνεχής σε?
) είναι συνάρτηση με πραγματική τιμή εάν και μόνο εάν η κατανομή του F είναι συμμετρική
)αν για μερικούς ν; 1, τότε για όλα υπάρχουν παράγωγα και
)Αν υπάρχει και είναι πεπερασμένο, τότε
) Αφήστε για όλα n ; 1 και
τότε για όλα |t| Το παρακάτω θεώρημα δείχνει ότι η χαρακτηριστική συνάρτηση καθορίζει μοναδικά τη συνάρτηση κατανομής. Θεώρημα 2 (μοναδικότητα). Έστω F και G δύο συναρτήσεις κατανομής που έχουν την ίδια χαρακτηριστική συνάρτηση, δηλαδή για όλες Το θεώρημα λέει ότι η συνάρτηση κατανομής F = F(x) μπορεί να αποκατασταθεί μοναδικά από τη χαρακτηριστική της συνάρτηση. Το παρακάτω θεώρημα δίνει μια ρητή αναπαράσταση της συνάρτησης F ως προς. Θεώρημα 3 (τύπος γενίκευσης). Έστω F = F(x) η συνάρτηση κατανομής και η χαρακτηριστική της συνάρτηση. α) Για οποιαδήποτε δύο σημεία α, β (α< b), где функция F = F(х) непрерывна, ) Αν τότε η συνάρτηση κατανομής F(x) έχει πυκνότητα f(x), Θεώρημα 4. Για να είναι ανεξάρτητα τα συστατικά ενός τυχαίου διανύσματος, είναι απαραίτητο και αρκετό η χαρακτηριστική του συνάρτηση να είναι το γινόμενο των χαρακτηριστικών συναρτήσεων των συνιστωσών: Θεώρημα Bochner-Khinchin .
Έστω μια συνεχής συνάρτηση Για να είναι χαρακτηριστική, είναι απαραίτητο και αρκετό να είναι μη αρνητική οριστική, δηλαδή για κάθε πραγματικό t1, ... , tn και οποιουσδήποτε μιγαδικούς αριθμούς Θεώρημα 5. Έστω η χαρακτηριστική συνάρτηση μιας τυχαίας μεταβλητής. α) Αν για κάποιους, τότε η τυχαία μεταβλητή είναι πλέγμα με βήμα, δηλαδή ) Αν για δύο διαφορετικά σημεία, πού είναι ένας άρρητος αριθμός, τότε είναι τυχαία μεταβλητή; είναι εκφυλισμένος: όπου το α είναι κάποια σταθερά. γ) Αν, τότε είναι τυχαία μεταβλητή; εκφυλισμένος. 1.3 Κεντρικό οριακό θεώρημα για ανεξάρτητες πανομοιότυπα κατανεμημένες τυχαίες μεταβλητές Έστω () μια ακολουθία ανεξάρτητων, πανομοιότυπα κατανεμημένων τυχαίων μεταβλητών. Η προσδοκία M= a, διακύμανση D= , S = , και Ф(х) είναι η συνάρτηση κατανομής του κανονικού νόμου με παραμέτρους (0,1). Ας εισαγάγουμε μια άλλη ακολουθία τυχαίων μεταβλητών Θεώρημα. Αν 0<<, то при n P(< x) Ф(х) равномерно относительно х (). Σε αυτή την περίπτωση, η ακολουθία () ονομάζεται ασυμπτωτικά κανονική. Από το γεγονός ότι M = 1 και από τα θεωρήματα συνέχειας προκύπτει ότι, μαζί με την ασθενή σύγκλιση, FM f() Mf() για κάθε συνεχές όριο f, υπάρχει και η σύγκλιση M f() Mf() για κάθε συνεχές f, τέτοια ώστε |f(x)|< c(1+|x|) при каком-нибудь. Απόδειξη. Η ομοιόμορφη σύγκλιση εδώ είναι συνέπεια της ασθενούς σύγκλισης και της συνέχειας του Ф(x). Επιπλέον, χωρίς απώλεια γενικότητας, μπορούμε να υποθέσουμε a = 0, αφού διαφορετικά θα μπορούσαμε να θεωρήσουμε την ακολουθία (), και η ακολουθία () δεν θα άλλαζε. Επομένως, για να αποδειχθεί η απαιτούμενη σύγκλιση αρκεί να δείξουμε ότι (t) e όταν a = 0. Έχουμε (t) = , όπου =(t). Αφού υπάρχει Μ, τότε υπάρχει και ισχύει η αποσύνθεση Επομένως, για το ν Το θεώρημα έχει αποδειχθεί. 1.4 Οι κύριες εργασίες της μαθηματικής στατιστικής, η σύντομη περιγραφή τους Η καθιέρωση προτύπων που διέπουν τα μαζικά τυχαία φαινόμενα βασίζεται στη μελέτη στατιστικών δεδομένων - των αποτελεσμάτων των παρατηρήσεων. Το πρώτο καθήκον των μαθηματικών στατιστικών είναι να υποδείξουν τρόπους συλλογής και ομαδοποίησης στατιστικών πληροφοριών. Το δεύτερο καθήκον της μαθηματικής στατιστικής είναι η ανάπτυξη μεθόδων για την ανάλυση στατιστικών δεδομένων, ανάλογα με τους στόχους της μελέτης. Κατά την επίλυση οποιουδήποτε προβλήματος μαθηματικών στατιστικών, υπάρχουν δύο πηγές πληροφοριών. Το πρώτο και πιο σαφές (ρητό) είναι το αποτέλεσμα παρατηρήσεων (πειράματος) με τη μορφή δείγματος από κάποιο γενικό πληθυσμό μιας βαθμωτής ή διανυσματικής τυχαίας μεταβλητής. Σε αυτήν την περίπτωση, το μέγεθος του δείγματος n μπορεί να καθοριστεί ή μπορεί να αυξηθεί κατά τη διάρκεια του πειράματος (δηλαδή, μπορούν να χρησιμοποιηθούν οι λεγόμενες διαδικασίες διαδοχικής στατιστικής ανάλυσης). Η δεύτερη πηγή είναι όλες a priori πληροφορίες σχετικά με τις ιδιότητες ενδιαφέροντος του υπό μελέτη αντικειμένου, οι οποίες έχουν συσσωρευτεί μέχρι την τρέχουσα στιγμή. Τυπικά, η ποσότητα των a priori πληροφοριών αντικατοπτρίζεται στο αρχικό στατιστικό μοντέλο που επιλέγεται κατά την επίλυση του προβλήματος. Ωστόσο, δεν χρειάζεται να μιλήσουμε για έναν κατά προσέγγιση προσδιορισμό με τη συνήθη έννοια της πιθανότητας ενός γεγονότος με βάση τα αποτελέσματα των πειραμάτων. Με τον κατά προσέγγιση προσδιορισμό οποιασδήποτε ποσότητας συνήθως εννοείται ότι είναι δυνατό να υποδειχθούν όρια σφάλματος εντός των οποίων δεν θα συμβεί σφάλμα. Η συχνότητα του συμβάντος είναι τυχαία για οποιοδήποτε αριθμό πειραμάτων λόγω της τυχαιότητας των αποτελεσμάτων μεμονωμένων πειραμάτων. Λόγω της τυχαιότητας των αποτελεσμάτων μεμονωμένων πειραμάτων, η συχνότητα μπορεί να αποκλίνει σημαντικά από την πιθανότητα του συμβάντος. Επομένως, ορίζοντας την άγνωστη πιθανότητα ενός συμβάντος ως τη συχνότητα αυτού του συμβάντος σε μεγάλο αριθμό πειραμάτων, δεν μπορούμε να υποδείξουμε τα όρια σφάλματος και να εγγυηθούμε ότι το σφάλμα δεν θα υπερβεί αυτά τα όρια. Επομένως, στις μαθηματικές στατιστικές συνήθως δεν μιλάμε για κατά προσέγγιση τιμές άγνωστων ποσοτήτων, αλλά για τις κατάλληλες τιμές, εκτιμήσεις τους. Το πρόβλημα της εκτίμησης άγνωστων παραμέτρων προκύπτει σε περιπτώσεις όπου η συνάρτηση κατανομής πληθυσμού είναι γνωστή μέχρι μια παράμετρο. Σε αυτήν την περίπτωση, είναι απαραίτητο να βρεθεί ένα στατιστικό στοιχείο του οποίου η τιμή δείγματος για την εξεταζόμενη υλοποίηση xn ενός τυχαίου δείγματος θα μπορούσε να θεωρηθεί ως κατά προσέγγιση τιμή της παραμέτρου. Μια στατιστική της οποίας η τιμή δείγματος για οποιαδήποτε πραγματοποίηση xn λαμβάνεται ως κατά προσέγγιση τιμή μιας άγνωστης παραμέτρου ονομάζεται σημειακή εκτίμηση ή απλώς εκτίμηση και είναι η τιμή μιας σημειακής εκτίμησης. Μια σημειακή εκτίμηση πρέπει να ικανοποιεί πολύ συγκεκριμένες απαιτήσεις προκειμένου η τιμή δείγματός της να αντιστοιχεί στην πραγματική τιμή της παραμέτρου. Μια άλλη προσέγγιση για την επίλυση του προβλήματος που εξετάζεται είναι επίσης δυνατή: βρείτε τέτοια στατιστικά στοιχεία και, με πιθανότητα; ισχύει η ακόλουθη ανισότητα: Σε αυτή την περίπτωση μιλάμε για εκτίμηση διαστήματος για. Διάστημα ονομάζεται διάστημα εμπιστοσύνης για με τον συντελεστή εμπιστοσύνης;. Έχοντας αξιολογήσει ένα ή άλλο στατιστικό χαρακτηριστικό με βάση τα αποτελέσματα των πειραμάτων, τίθεται το ερώτημα: πόσο συνεπής είναι η υπόθεση (υπόθεση) ότι το άγνωστο χαρακτηριστικό έχει ακριβώς την τιμή που λήφθηκε ως αποτέλεσμα της αξιολόγησής του με τα πειραματικά δεδομένα; Έτσι προκύπτει η δεύτερη σημαντική κατηγορία προβλημάτων στη μαθηματική στατιστική - προβλήματα ελέγχου υποθέσεων. Κατά μία έννοια, το πρόβλημα του ελέγχου μιας στατιστικής υπόθεσης είναι το αντίστροφο του προβλήματος της εκτίμησης παραμέτρων. Κατά την εκτίμηση μιας παραμέτρου, δεν γνωρίζουμε τίποτα για την πραγματική της τιμή. Κατά τον έλεγχο μιας στατιστικής υπόθεσης, για κάποιο λόγο η αξία της θεωρείται ότι είναι γνωστή και είναι απαραίτητο να επαληθευτεί αυτή η υπόθεση με βάση τα αποτελέσματα του πειράματος. Σε πολλά προβλήματα της μαθηματικής στατιστικής, εξετάζονται ακολουθίες τυχαίων μεταβλητών, που συγκλίνουν με τη μια ή την άλλη έννοια σε κάποιο όριο (τυχαία μεταβλητή ή σταθερά), όταν. Έτσι, τα κύρια καθήκοντα της μαθηματικής στατιστικής είναι η ανάπτυξη μεθόδων για την εύρεση εκτιμήσεων και τη μελέτη της ακρίβειας της προσέγγισής τους στα χαρακτηριστικά που αξιολογούνται και η ανάπτυξη μεθόδων για τον έλεγχο υποθέσεων. 5 Έλεγχος στατιστικών υποθέσεων: βασικές έννοιες Το καθήκον της ανάπτυξης ορθολογικών μεθόδων για τον έλεγχο στατιστικών υποθέσεων είναι ένα από τα κύρια καθήκοντα της μαθηματικής στατιστικής. Μια στατιστική υπόθεση (ή απλά μια υπόθεση) είναι οποιαδήποτε δήλωση σχετικά με τον τύπο ή τις ιδιότητες της κατανομής των τυχαίων μεταβλητών που παρατηρούνται σε ένα πείραμα. Έστω ένα δείγμα που είναι υλοποίηση ενός τυχαίου δείγματος από έναν γενικό πληθυσμό, του οποίου η πυκνότητα κατανομής εξαρτάται από μια άγνωστη παράμετρο. Οι στατιστικές υποθέσεις σχετικά με την άγνωστη πραγματική τιμή μιας παραμέτρου ονομάζονται παραμετρικές υποθέσεις. Επιπλέον, αν είναι βαθμωτός, τότε μιλάμε για υποθέσεις μιας παραμέτρου, και αν είναι διάνυσμα, τότε μιλάμε για υποθέσεις πολλαπλών παραμέτρων. Μια στατιστική υπόθεση ονομάζεται απλή αν έχει τη μορφή όπου είναι κάποια καθορισμένη τιμή παραμέτρου. Μια στατιστική υπόθεση ονομάζεται σύνθετη αν έχει τη μορφή όπου είναι ένα σύνολο τιμών παραμέτρων που αποτελείται από περισσότερα από ένα στοιχεία. Στην περίπτωση ελέγχου δύο απλών στατιστικών υποθέσεων του εντύπου όπου υπάρχουν δύο δεδομένες (διαφορετικές) τιμές της παραμέτρου, η πρώτη υπόθεση συνήθως ονομάζεται κύρια και η δεύτερη ονομάζεται εναλλακτική ή ανταγωνιστική υπόθεση. Το κριτήριο, ή το στατιστικό κριτήριο, για τον έλεγχο των υποθέσεων είναι ο κανόνας με τον οποίο, βάσει δειγματοληπτικών δεδομένων, λαμβάνεται μια απόφαση σχετικά με την εγκυρότητα είτε της πρώτης είτε της δεύτερης υπόθεσης. Το κριτήριο καθορίζεται χρησιμοποιώντας ένα κρίσιμο σύνολο, το οποίο είναι ένα υποσύνολο του δειγματοληπτικού χώρου ενός τυχαίου δείγματος. Η απόφαση λαμβάνεται ως εξής: ) εάν το δείγμα ανήκει στο κρίσιμο σύνολο, τότε απορρίψτε την κύρια υπόθεση και αποδεχτείτε την εναλλακτική υπόθεση. ) εάν το δείγμα δεν ανήκει στο κρίσιμο σύνολο (δηλαδή ανήκει στο συμπλήρωμα του συνόλου στο χώρο του δείγματος), τότε η εναλλακτική υπόθεση απορρίπτεται και η κύρια υπόθεση γίνεται αποδεκτή. Όταν χρησιμοποιείτε οποιοδήποτε κριτήριο, είναι δυνατοί οι ακόλουθοι τύποι σφαλμάτων: 1) αποδεχτείτε μια υπόθεση όταν είναι αληθινή - ένα λάθος πρώτου είδους. ) η αποδοχή μιας υπόθεσης όταν είναι αληθής είναι σφάλμα τύπου II. Οι πιθανότητες διάπραξης σφαλμάτων του πρώτου και του δεύτερου τύπου υποδηλώνονται με: όπου είναι η πιθανότητα ενός γεγονότος με την προϋπόθεση ότι η υπόθεση είναι αληθής Οι υποδεικνυόμενες πιθανότητες υπολογίζονται χρησιμοποιώντας τη συνάρτηση πυκνότητας κατανομής ενός τυχαίου δείγματος: Η πιθανότητα διάπραξης σφάλματος τύπου Ι ονομάζεται επίσης επίπεδο σημαντικότητας κριτηρίου. Η τιμή ίση με την πιθανότητα απόρριψης της κύριας υπόθεσης όταν αυτή είναι αληθής ονομάζεται δύναμη του τεστ. 1.6 Κριτήριο ανεξαρτησίας Υπάρχει ένα δείγμα ((XY), ..., (XY)) από μια δισδιάστατη κατανομή L με άγνωστη συνάρτηση κατανομής για την οποία είναι απαραίτητο να ελεγχθεί η υπόθεση H: , όπου υπάρχουν μερικές μονοδιάστατες συναρτήσεις κατανομής. Ένα απλό τεστ καλής προσαρμογής για την υπόθεση Η μπορεί να κατασκευαστεί με βάση τη μεθοδολογία. Αυτή η τεχνική χρησιμοποιείται για διακριτά μοντέλα με πεπερασμένο αριθμό αποτελεσμάτων, οπότε συμφωνούμε ότι η τυχαία μεταβλητή παίρνει έναν πεπερασμένο αριθμό s ορισμένων τιμών, τις οποίες θα συμβολίσουμε με γράμματα, και το δεύτερο συστατικό - τιμές k. Εάν το αρχικό μοντέλο έχει διαφορετική δομή, τότε οι πιθανές τιμές των τυχαίων μεταβλητών ομαδοποιούνται προκαταρκτικά χωριστά στην πρώτη και τη δεύτερη συνιστώσα. Σε αυτήν την περίπτωση, το σύνολο διαιρείται σε διαστήματα s, η τιμή ορίζεται σε k διαστήματα και η τιμή ορίζεται σε N=sk ορθογώνια. Ας υποδηλώσουμε με τον αριθμό των παρατηρήσεων του ζεύγους (τον αριθμό των δειγματοληπτικών στοιχείων που ανήκουν στο ορθογώνιο, εάν τα δεδομένα είναι ομαδοποιημένα), έτσι ώστε. Είναι βολικό να τακτοποιήσετε τα αποτελέσματα της παρατήρησης με τη μορφή ενός πίνακα έκτακτης ανάγκης δύο πινακίδων (Πίνακας 1.1). Σε εφαρμογές και συνήθως σημαίνει δύο κριτήρια με τα οποία ταξινομούνται τα αποτελέσματα της παρατήρησης. Έστω P, i=1,…,s, j=1,…,k. Τότε η υπόθεση της ανεξαρτησίας σημαίνει ότι υπάρχουν s+k σταθερές τέτοιες που και, δηλ. Πίνακας 1.1 Αθροισμα . . .. . .. . . . . .. . .. . . . . . . . . . . . . . .Αθροισμα . . .n Έτσι, η υπόθεση H καταλήγει στη δήλωση ότι οι συχνότητες (ο αριθμός τους είναι N = sk) κατανέμονται σύμφωνα με έναν πολυωνυμικό νόμο με τις πιθανότητες των αποτελεσμάτων να έχουν την καθορισμένη συγκεκριμένη δομή (το διάνυσμα των πιθανοτήτων των αποτελεσμάτων p καθορίζεται από τις τιμές r = s + k-2 άγνωστων παραμέτρων. Για να ελέγξουμε αυτήν την υπόθεση, θα βρούμε εκτιμήσεις μέγιστης πιθανότητας για τις άγνωστες παραμέτρους που καθορίζουν το υπό εξέταση σχήμα. Εάν η μηδενική υπόθεση είναι αληθής, τότε η συνάρτηση πιθανότητας έχει τη μορφή L(p)= όπου ο πολλαπλασιαστής c δεν εξαρτάται από τις άγνωστες παραμέτρους. Από εδώ, χρησιμοποιώντας τη μέθοδο Lagrange των αόριστων πολλαπλασιαστών, προκύπτει ότι οι απαιτούμενες εκτιμήσεις έχουν τη μορφή Επομένως, στατιστικά L() στο, αφού ο αριθμός των βαθμών ελευθερίας στην οριακή κατανομή είναι ίσος με N-1-r=sk-1-(s+k-2)=(s-1)(k-1). Έτσι, για αρκετά μεγάλο n, μπορεί να χρησιμοποιηθεί ο ακόλουθος κανόνας ελέγχου υποθέσεων: η υπόθεση H απορρίπτεται εάν και μόνο εάν η στατιστική τιμή t που υπολογίζεται από τα πραγματικά δεδομένα ικανοποιεί την ανισότητα Αυτό το κριτήριο έχει ένα ασυμπτωτικά (σε) δεδομένο επίπεδο σημασίας και ονομάζεται κριτήριο ανεξαρτησίας. 2. ΠΡΑΚΤΙΚΟ ΜΕΡΟΣ 1 Λύσεις σε προβλήματα σχετικά με τους τύπους σύγκλισης 1. Αποδείξτε ότι η σύγκλιση σχεδόν σίγουρα συνεπάγεται σύγκλιση στις πιθανότητες. Δώστε ένα παράδειγμα δοκιμής για να δείξετε ότι το αντίστροφο δεν ισχύει. Λύση. Αφήστε μια ακολουθία τυχαίων μεταβλητών να συγκλίνει σε μια τυχαία μεταβλητή x σχεδόν σίγουρα. Λοιπόν, για κανέναν; > 0 Από τότε και από τη σύγκλιση του xn στο x προκύπτει σχεδόν σίγουρα ότι το xn συγκλίνει στο x κατά πιθανότητα, αφού σε αυτή την περίπτωση Αλλά η αντίθετη δήλωση δεν είναι αλήθεια. Έστω μια ακολουθία ανεξάρτητων τυχαίων μεταβλητών που έχουν την ίδια συνάρτηση κατανομής F(x), ίση με μηδέν στο x; 0 και ίσο για x > 0. Θεωρήστε την ακολουθία Αυτή η ακολουθία συγκλίνει στο μηδέν κατά πιθανότητα, αφού τείνει στο μηδέν για οποιοδήποτε σταθερό; Και. Ωστόσο, η σύγκλιση στο μηδέν είναι σχεδόν βέβαιο ότι δεν θα πραγματοποιηθεί. Πραγματικά τείνει στην ενότητα, δηλαδή με πιθανότητα 1 για οποιαδήποτε και n θα υπάρξουν πραγματοποιήσεις στην ακολουθία που υπερβαίνουν το ?. Σημειώστε ότι με την παρουσία ορισμένων πρόσθετων συνθηκών που επιβάλλονται στα μεγέθη xn, η σύγκλιση στην πιθανότητα συνεπάγεται σύγκλιση σχεδόν σίγουρα. Έστω xn μια μονότονη ακολουθία. Να αποδείξετε ότι σε αυτή την περίπτωση η σύγκλιση του xn στο x στην πιθανότητα συνεπάγεται τη σύγκλιση του xn στο x με την πιθανότητα 1. Λύση. Έστω xn μια μονοτονικά φθίνουσα ακολουθία, δηλαδή. Για να απλοποιήσουμε τη συλλογιστική μας, θα υποθέσουμε ότι x º 0, xn ³ 0 για όλα τα n. Έστω ότι το xn συγκλίνει στο x κατά πιθανότητα, αλλά η σύγκλιση σχεδόν σίγουρα δεν λαμβάνει χώρα. Υπάρχει τότε; > 0, έτσι ώστε για όλα τα n Αλλά αυτό που ειπώθηκε σημαίνει επίσης ότι για όλα τα ν που έρχεται σε αντίθεση με τη σύγκλιση του xn στο x κατά πιθανότητα. Έτσι, για μια μονοτονική ακολουθία xn, η οποία συγκλίνει στο x κατά πιθανότητα, συγκλίνει επίσης με την πιθανότητα 1 (σχεδόν σίγουρα). Αφήστε την ακολουθία xn να συγκλίνει στο x κατά πιθανότητα. Να αποδείξετε ότι από αυτήν την ακολουθία είναι δυνατό να απομονωθεί μια ακολουθία που συγκλίνει στο x με πιθανότητα 1 στο. Λύση. Έστω κάποια ακολουθία θετικών αριθμών και έστω και θετικοί αριθμοί έτσι ώστε η σειρά. Ας κατασκευάσουμε μια ακολουθία δεικτών n1 Μετά η σειρά Αφού η σειρά συγκλίνει, τότε για κανένα; > 0 το υπόλοιπο της σειράς τείνει στο μηδέν. Στη συνέχεια όμως τείνει στο μηδέν και Αποδείξτε ότι η σύγκλιση κατά μέσο όρο οποιασδήποτε θετικής τάξης συνεπάγεται σύγκλιση στην πιθανότητα. Δώστε ένα παράδειγμα για να δείξετε ότι το αντίστροφο δεν ισχύει. Λύση. Αφήστε την ακολουθία xn να συγκλίνει σε μια τιμή x κατά μέσο όρο τάξης p > 0, δηλαδή Ας χρησιμοποιήσουμε τη γενικευμένη ανισότητα Chebyshev: για αυθαίρετο; > 0 και p > 0 Κατευθύνοντας και λαμβάνοντας υπόψη αυτό, το καταφέρνουμε δηλαδή το xn συγκλίνει στο x κατά πιθανότητα. Ωστόσο, η σύγκλιση στην πιθανότητα δεν συνεπάγεται σύγκλιση κατά μέσο όρο της τάξης p > 0. Αυτό φαίνεται στο ακόλουθο παράδειγμα. Θεωρήστε τον χώρο πιθανότητας áW, F, Rñ, όπου F = B είναι η άλγεβρα Borel, R είναι το μέτρο Lebesgue. Ας ορίσουμε μια ακολουθία τυχαίων μεταβλητών ως εξής: Η ακολουθία xn συγκλίνει στο 0 κατά πιθανότητα, αφού αλλά για οποιοδήποτε p > 0 δηλαδή δεν θα συγκλίνει κατά μέσο όρο. Ας, τι για όλους ν . Να αποδείξετε ότι σε αυτή την περίπτωση το xn συγκλίνει στο x στο μέσο τετράγωνο. Λύση. Σημειώστε ότι... Ας πάρουμε μια εκτίμηση για. Ας εξετάσουμε μια τυχαία μεταβλητή. Ας είναι? - ένας αυθαίρετος θετικός αριθμός. Στη συνέχεια στις και στις. Αν, τότε και. Ως εκ τούτου, . Και επειδή? αυθαίρετα μικρό και, στη συνέχεια, στο, δηλαδή, στο μέσο τετράγωνο. Να αποδείξετε ότι αν το xn συγκλίνει στο x κατά πιθανότητα, τότε εμφανίζεται ασθενής σύγκλιση. Δώστε ένα παράδειγμα δοκιμής για να δείξετε ότι το αντίστροφο δεν ισχύει. Λύση. Ας αποδείξουμε ότι αν, τότε σε κάθε σημείο x, που είναι σημείο συνέχειας (αυτή είναι απαραίτητη και επαρκής συνθήκη για ασθενή σύγκλιση), είναι η συνάρτηση κατανομής της τιμής xn, και - η τιμή του x. Έστω x σημείο συνέχειας της συνάρτησης F. Αν, τότε τουλάχιστον μία από τις ανισώσεις ή είναι αληθής. Επειτα Ομοίως, για τουλάχιστον μία από τις ανισότητες ή και Αν, τότε για όσο μικρό επιθυμείτε; > 0 υπάρχει N έτσι ώστε για όλα τα n > N Από την άλλη, αν το x είναι σημείο συνέχειας, είναι δυνατόν να βρεθεί κάτι τέτοιο; > 0, το οποίο για αυθαίρετα μικρό Λοιπόν, για όσο μικρό θέλετε; και υπάρχει N τέτοιο ώστε για n >N ή, τι είναι το ίδιο, Αυτό σημαίνει ότι η σύγκλιση και λαμβάνει χώρα σε όλα τα σημεία της συνέχειας. Κατά συνέπεια, η ασθενής σύγκλιση προκύπτει από τη σύγκλιση στις πιθανότητες. Η αντίστροφη δήλωση, σε γενικές γραμμές, δεν ισχύει. Για να το επαληθεύσουμε αυτό, ας πάρουμε μια ακολουθία τυχαίων μεταβλητών που δεν είναι ίσες με σταθερές με πιθανότητα 1 και έχουν την ίδια συνάρτηση κατανομής F(x). Υποθέτουμε ότι για όλα τα n οι ποσότητες και είναι ανεξάρτητες. Προφανώς, εμφανίζεται ασθενής σύγκλιση, αφού όλα τα μέλη της ακολουθίας έχουν την ίδια συνάρτηση κατανομής. Σκεφτείτε: |Από την ανεξαρτησία και την πανομοιότυπη κατανομή των αξιών προκύπτει ότι Ας επιλέξουμε μεταξύ όλων των συναρτήσεων κατανομής μη εκφυλισμένων τυχαίων μεταβλητών όπως η F(x) που θα είναι μη μηδενική για όλες τις αρκετά μικρές ?. Τότε δεν τείνει στο μηδέν με απεριόριστη αύξηση του n και η σύγκλιση στην πιθανότητα δεν θα πραγματοποιηθεί. 7. Έστω ασθενής σύγκλιση, όπου με πιθανότητα 1 υπάρχει σταθερά. Αποδείξτε ότι σε αυτή την περίπτωση θα συγκλίνει στο κατά πιθανότητα. Λύση. Έστω η πιθανότητα 1 ίση με a. Τότε η ασθενής σύγκλιση σημαίνει σύγκλιση για οποιονδήποτε. Από τότε κατά και σε. Δηλαδή στο και στο. Αυτό προκύπτει για κανέναν; > 0 πιθανότητα τείνουν στο μηδέν στο. Αυτό σημαίνει ότι τείνει στο μηδέν στο, δηλαδή συγκλίνει στο στην πιθανότητα. 2.2 Επίλυση προβλημάτων στο κέντρο κεντρικής θέρμανσης Η τιμή της συνάρτησης γάμμα Г(x) στο x= υπολογίζεται με τη μέθοδο Monte Carlo. Ας βρούμε τον ελάχιστο αριθμό δοκιμών που απαιτούνται ώστε με πιθανότητα 0,95 να μπορούμε να αναμένουμε ότι το σχετικό σφάλμα υπολογισμών θα είναι μικρότερο από ένα τοις εκατό. Μέχρι μια ακρίβεια έχουμε Είναι γνωστό ότι Έχοντας κάνει μια αλλαγή στο (1), φτάνουμε στο ολοκλήρωμα σε ένα πεπερασμένο διάστημα: Μαζί μας λοιπόν Όπως φαίνεται, μπορεί να αναπαρασταθεί με τη μορφή όπου και κατανέμεται ομοιόμορφα επάνω. Αφήστε να γίνουν στατιστικές δοκιμές. Τότε το στατιστικό ανάλογο είναι η ποσότητα όπου, είναι ανεξάρτητες τυχαίες μεταβλητές με ομοιόμορφη κατανομή. Εν Από το CLT προκύπτει ότι είναι ασυμπτωτικά φυσιολογικό με τις παραμέτρους. Αυτό σημαίνει ότι ο ελάχιστος αριθμός δοκιμών που εξασφαλίζουν κατά πάσα πιθανότητα το σχετικό σφάλμα του υπολογισμού δεν είναι μεγαλύτερος από ίσος. Θεωρούμε μια ακολουθία 2000 ανεξάρτητων πανομοιότυπα κατανεμημένων τυχαίων μεταβλητών με μαθηματική προσδοκία 4 και διακύμανση 1,8. Ο αριθμητικός μέσος όρος αυτών των μεγεθών είναι μια τυχαία μεταβλητή. Προσδιορίστε την πιθανότητα η τυχαία μεταβλητή να πάρει μια τιμή στο διάστημα (3,94; 4,12). Έστω …,… μια ακολουθία ανεξάρτητων τυχαίων μεταβλητών που έχουν την ίδια κατανομή με M=a=4 και D==1,8. Τότε το CLT εφαρμόζεται στην ακολουθία (). Τυχαία τιμή Πιθανότητα ότι θα πάρει μια τιμή στο διάστημα (): Για n=2000, 3,94 και 4,12 παίρνουμε 3 Έλεγχος υποθέσεων χρησιμοποιώντας το κριτήριο της ανεξαρτησίας Ως αποτέλεσμα της μελέτης, διαπιστώθηκε ότι 782 πατέρες με ανοιχτόχρωμα μάτια έχουν επίσης γιους με ανοιχτόχρωμα μάτια και 89 πατέρες με ανοιχτόχρωμα μάτια έχουν γιους με σκούρα μάτια. 50 πατέρες με σκούρα μάτια έχουν επίσης γιους με σκούρα μάτια και 79 πατέρες με σκούρα μάτια έχουν γιους με ανοιχτόχρωμα μάτια. Υπάρχει σχέση μεταξύ του χρώματος των ματιών των πατέρων και του χρώματος των ματιών των γιων τους; Πάρτε το επίπεδο εμπιστοσύνης στο 0,99. Πίνακας 2.1 Παιδιά ΠατέρεςSumLight-eyedDark-eyedLight-eyed78279861Σκούρα μάτια8950139Sum8711291000 Η: Δεν υπάρχει σχέση μεταξύ του χρώματος των ματιών των παιδιών και των πατέρων. Η: Υπάρχει σχέση μεταξύ του χρώματος των ματιών των παιδιών και των πατέρων. s=k=2 =90,6052 με 1 βαθμό ελευθερίας Οι υπολογισμοί έγιναν στο Mathematica 6. Εφόσον > , τότε η υπόθεση Η, σχετικά με την απουσία σχέσης μεταξύ του χρώματος των ματιών των πατέρων και των παιδιών, σε επίπεδο σημασίας, θα πρέπει να απορριφθεί και η εναλλακτική υπόθεση Η να γίνει δεκτή. Αναφέρεται ότι η επίδραση του φαρμάκου εξαρτάται από τη μέθοδο εφαρμογής. Ελέγξτε αυτήν τη δήλωση χρησιμοποιώντας τα δεδομένα που παρουσιάζονται στον πίνακα. 2.2 Πάρτε το επίπεδο εμπιστοσύνης στο 0,95. Πίνακας 2.2 Αποτέλεσμα Μέθοδος εφαρμογής ABC Unfavorable 111716 Favorable 202319 Λύση. Για να λύσουμε αυτό το πρόβλημα, θα χρησιμοποιήσουμε έναν πίνακα έκτακτης ανάγκης δύο χαρακτηριστικών. Πίνακας 2.3 Αποτέλεσμα Μέθοδος εφαρμογής Ποσό ABC Μη ευνοϊκό 11171644 Ευνοϊκό 20231962 Ποσό 314035106 Η: η επίδραση των φαρμάκων δεν εξαρτάται από τον τρόπο χορήγησης Η: η επίδραση των φαρμάκων εξαρτάται από τη μέθοδο εφαρμογής Τα στατιστικά στοιχεία υπολογίζονται χρησιμοποιώντας τον ακόλουθο τύπο s=2, k=3, =0,734626 με 2 βαθμούς ελευθερίας. Υπολογισμοί που έγιναν στο Mathematica 6 Από τους πίνακες κατανομής διαπιστώνουμε ότι. Επειδή η< , то гипотезу H, про отсутствия зависимости действия лекарств от способа применения, при уровне значимости, следует принять. συμπέρασμα Η παρούσα εργασία παρουσιάζει θεωρητικούς υπολογισμούς από την ενότητα «Κριτήριο Ανεξαρτησίας», καθώς και «Οριατικά Θεωρήματα Θεωρίας Πιθανοτήτων», το μάθημα «Θεωρία Πιθανοτήτων και Μαθηματική Στατιστική». Κατά τη διάρκεια της εργασίας, το κριτήριο της ανεξαρτησίας δοκιμάστηκε στην πράξη. Επίσης, για δεδομένες ακολουθίες ανεξάρτητων τυχαίων μεταβλητών, ελέγχθηκε η εκπλήρωση του κεντρικού οριακού θεωρήματος. Αυτή η εργασία βοήθησε να βελτιώσω τις γνώσεις μου για αυτά τα τμήματα της θεωρίας πιθανοτήτων, να εργαστώ με λογοτεχνικές πηγές και να κατακτήσω σταθερά την τεχνική του ελέγχου του κριτηρίου της ανεξαρτησίας. θεώρημα πιθανολογικής στατιστικής υπόθεσης Λίστα συνδέσμων 1. Συλλογή προβλημάτων από τη θεωρία πιθανοτήτων με λύσεις. Uch. επίδομα / Εκδ. V.V. Semenets. - Kharkov: KhTURE, 2000. - 320 p. Gikhman I.I., Skorokhod A.V., Yadrenko M.I. Θεωρία Πιθανοτήτων και Μαθηματική Στατιστική. - K.: Vishcha school, 1979. - 408 p. Ivchenko G.I., Medvedev Yu.I., Μαθηματική στατιστική: Εγχειρίδιο. επίδομα για τα κολέγια. - Μ.: Πιο ψηλά. σχολείο, 1984. - 248 σ., . Μαθηματική στατιστική: Σχολικό βιβλίο. για πανεπιστήμια / V.B. Goryainov, I.V. Pavlov, G.M. Tsvetkova και άλλοι. Εκδ. V.S. Zarubina, A.P. Krischenko. - Μ.: Εκδοτικός οίκος MSTU im. Ν.Ε. Bauman, 2001. - 424 σελ. Χρειάζεστε βοήθεια για τη μελέτη ενός θέματος;
Οι ειδικοί μας θα συμβουλεύσουν ή θα παρέχουν υπηρεσίες διδασκαλίας σε θέματα που σας ενδιαφέρουν. Βασικές αρχές της θεωρίας πιθανοτήτων και μαθηματικές στατιστικές Στο τέλος των μεγάλων καλοκαιρινών διακοπών, ήρθε η ώρα να επιστρέψετε σιγά σιγά στα ανώτερα μαθηματικά και να ανοίξετε επίσημα το άδειο αρχείο Verdov για να ξεκινήσετε τη δημιουργία μιας νέας ενότητας - . Παραδέχομαι, οι πρώτες γραμμές δεν είναι εύκολες, αλλά το πρώτο βήμα είναι το μισό του δρόμου, γι 'αυτό προτείνω σε όλους να μελετήσουν προσεκτικά το εισαγωγικό άρθρο, μετά από το οποίο η γνώση του θέματος θα είναι 2 φορές πιο εύκολη! Δεν υπερβάλλω καθόλου. …Την παραμονή της επόμενης 1ης Σεπτεμβρίου θυμάμαι την πρώτη δημοτικού και το αστάρι…. Τα γράμματα σχηματίζουν συλλαβές, οι συλλαβές σχηματίζουν λέξεις, οι λέξεις σχηματίζουν σύντομες προτάσεις - Η μαμά έπλυνε το πλαίσιο. Η γνώση των στατιστικών στροφών και μαθηματικών είναι τόσο εύκολη όσο η εκμάθηση της ανάγνωσης! Ωστόσο, για αυτό πρέπει να γνωρίζετε βασικούς όρους, έννοιες και ονομασίες, καθώς και ορισμένους συγκεκριμένους κανόνες, που αποτελούν το αντικείμενο αυτού του μαθήματος. Πρώτα όμως δεχτείτε τα συγχαρητήριά μου για την έναρξη (συνέχιση, ολοκλήρωση, επισήμανση κατά περίπτωση) της σχολικής χρονιάς και δεχτείτε το δώρο. Το καλύτερο δώρο είναι ένα βιβλίο και για ανεξάρτητη εργασία προτείνω την ακόλουθη βιβλιογραφία: 1) Gmurman V.E. Θεωρία Πιθανοτήτων και Μαθηματική Στατιστική
Ένα θρυλικό εγχειρίδιο που έχει περάσει από περισσότερες από δέκα ανατυπώσεις. Διακρίνεται για την καταληπτότητά του και την εξαιρετικά απλή παρουσίαση της ύλης και τα πρώτα κεφάλαια είναι απολύτως προσιτά, νομίζω, ήδη για τους μαθητές της 6ης-7ης τάξης. 2) Gmurman V.E. Οδηγός επίλυσης προβλημάτων στη θεωρία πιθανοτήτων και στη μαθηματική στατιστική
Ένα βιβλίο λύσεων του ίδιου Vladimir Efimovich με λεπτομερή παραδείγματα και προβλήματα. ΑΝΑΓΚΑΙΩΣκατεβάστε και τα δύο βιβλία από το Διαδίκτυο ή αποκτήστε τα έντυπά τους! Θα λειτουργήσει και η έκδοση των 60s και 70s, η οποία είναι ακόμα καλύτερη για ομοιώματα. Αν και η φράση «θεωρία πιθανοτήτων για ανδρείκελα» ακούγεται μάλλον γελοία, αφού σχεδόν τα πάντα περιορίζονται σε στοιχειώδεις αριθμητικές πράξεις. Παρακάμπτουν, όμως, κατά τόπους παράγωγαΚαι ολοκληρώματα, αλλά αυτό είναι μόνο κατά τόπους. Θα προσπαθήσω να επιτύχω την ίδια σαφήνεια παρουσίασης, αλλά πρέπει να προειδοποιήσω ότι η πορεία μου στοχεύει επίλυση προβλήματοςκαι οι θεωρητικοί υπολογισμοί περιορίζονται στο ελάχιστο. Έτσι, αν χρειάζεστε μια λεπτομερή θεωρία, αποδείξεις θεωρημάτων (θεωρήματα-θεωρήματα!), ανατρέξτε στο σχολικό βιβλίο. Λοιπόν, ποιος θέλει μάθουν να λύνουν προβλήματαστη θεωρία πιθανοτήτων και στη μαθηματική στατιστική στο συντομότερο δυνατό χρόνο, Ακολούθησέ με! Αυτό είναι αρκετό για αρχή =) Καθώς διαβάζετε τα άρθρα, συνιστάται να εξοικειωθείτε (τουλάχιστον εν συντομία) με πρόσθετες εργασίες των υπό εξέταση τύπων. Στη σελίδα Έτοιμες λύσεις για ανώτερα μαθηματικάΘα αναρτηθούν τα αντίστοιχα pdf με παραδείγματα λύσεων. Θα παρασχεθεί επίσης σημαντική βοήθεια IDZ 18.1 Ryabushko(πιο απλό) και έλυσε το IDZ σύμφωνα με τη συλλογή του Chudesenko(πιο δύσκολο). 1) Ποσόδύο γεγονότα και το γεγονός ονομάζεται που είναι ότι θα συμβεί ήΕκδήλωση ήΕκδήλωση ήκαι τα δύο γεγονότα ταυτόχρονα. Σε περίπτωση που τα γεγονότα ασύμβατες, η τελευταία επιλογή εξαφανίζεται, δηλαδή μπορεί να εμφανιστεί ήΕκδήλωση ήΕκδήλωση . Ο κανόνας ισχύει επίσης για μεγαλύτερο αριθμό όρων, για παράδειγμα, το συμβάν είναι αυτό που θα συμβεί τουλάχιστον ένααπό εκδηλώσεις , ΕΝΑ εάν τα γεγονότα είναι ασύμβατα – τότε ένα πράγμα και μόνο ένα πράγμαγεγονός από αυτό το ποσό: ήΕκδήλωση , ήΕκδήλωση , ήΕκδήλωση , ήΕκδήλωση , ήΕκδήλωση . Υπάρχουν πολλά παραδείγματα: Γεγονότα (κατά τη ρίψη ζαριών, δεν θα εμφανίζονται 5 πόντοι) είναι αυτό που θα εμφανιστεί ή 1, ή 2, ή 3, ή 4, ή 6 βαθμοί. Συμβάν (θα πέσει ΟΧΙ πιαδύο σημεία) είναι ότι θα εμφανιστεί το 1 ή 2σημεία. Εκδήλωση (θα υπάρχει ζυγός αριθμός πόντων) είναι αυτό που φαίνεται ή 2 ή 4 ή 6 βαθμοί. Το γεγονός είναι ότι θα τραβηχτεί κόκκινη κάρτα (καρδιά) από την τράπουλα ήντέφι), και η εκδήλωση – ότι η «εικόνα» θα εξαχθεί (βύσμα ήκυρία ήΒασιλιάς ήάσσος). Λίγο πιο ενδιαφέρουσα είναι η περίπτωση των κοινών εκδηλώσεων: Το γεγονός είναι ότι ένα κλαμπ θα κληρωθεί από το κατάστρωμα ήεπτά ήεπτά συλλόγων Σύμφωνα με τον ορισμό που δόθηκε παραπάνω, τουλάχιστον κάτι- ή οποιαδήποτε λέσχη ή οποιαδήποτε επτά ή η «τομή» τους - επτά συλλόγων. Είναι εύκολο να υπολογίσουμε ότι αυτό το γεγονός αντιστοιχεί σε 12 στοιχειώδη αποτελέσματα (9 κάρτες συλλόγου + 3 υπόλοιπες επτά). Η εκδήλωση είναι ότι αύριο στις 12.00 θα έρθει ΤΟΥΛΑΧΙΣΤΟΝ ΜΙΑ από τις αθροιστικές κοινές εκδηλώσεις, και συγκεκριμένα: – ή θα υπάρχει μόνο βροχή / μόνο καταιγίδα / μόνο ήλιος. Δηλαδή, η εκδήλωση περιλαμβάνει 7 πιθανές εκβάσεις. Ο δεύτερος πυλώνας της άλγεβρας των γεγονότων: 2) Η δουλειάδύο γεγονότα και καλούμε ένα γεγονός που συνίσταται στην από κοινού εμφάνιση αυτών των γεγονότων, με άλλα λόγια, ο πολλαπλασιασμός σημαίνει ότι υπό ορισμένες συνθήκες θα υπάρξει ΚαιΕκδήλωση , ΚαιΕκδήλωση . Μια παρόμοια δήλωση ισχύει για μεγαλύτερο αριθμό γεγονότων, για παράδειγμα, ένα έργο υπονοεί ότι υπό ορισμένες συνθήκες θα συμβεί ΚαιΕκδήλωση , ΚαιΕκδήλωση , ΚαιΕκδήλωση , …, ΚαιΕκδήλωση . Σκεφτείτε ένα τεστ στο οποίο ρίχνονται δύο νομίσματα
και τα ακόλουθα γεγονότα: – οι κεφαλές θα εμφανίζονται στο 1ο νόμισμα. Επειτα: Είναι εύκολο να δεις αυτά τα γεγονότα ασύμβατες (γιατί, για παράδειγμα, δεν μπορεί να είναι 2 κεφάλια και 2 ουρές ταυτόχρονα)και μορφή πλήρης ομάδα (αφού ελήφθη υπόψη Ολαπιθανά αποτελέσματα από την ρίψη δύο νομισμάτων). Ας συνοψίσουμε αυτά τα γεγονότα: . Πώς ερμηνεύεται αυτό το λήμμα; Πολύ απλό - ο πολλαπλασιασμός σημαίνει μια λογική σύνδεση ΚΑΙκαι προσθήκη - Ή. Έτσι, το ποσό διαβάζεται εύκολα σε κατανοητή ανθρώπινη γλώσσα: «θα εμφανιστούν δύο κεφάλια ήδύο κεφάλια ήτο 1ο νόμισμα θα προσγειωθεί κεφάλια Καιστις 2 ουρές ήτο 1ο νόμισμα θα προσγειωθεί κεφάλια Καιστο 2ο νόμισμα υπάρχει ένας αετός" Αυτό ήταν ένα παράδειγμα όταν σε ένα τεστεμπλέκονται πολλά αντικείμενα, στην περίπτωση αυτή δύο νομίσματα. Ένα άλλο κοινό σχήμα σε πρακτικά προβλήματα είναι επανέλεγχο
, όταν, για παράδειγμα, το ίδιο ζάρι τυλίγεται 3 φορές στη σειρά. Ως επίδειξη, εξετάστε τα ακόλουθα γεγονότα: – στην 1η βολή θα πάρετε 4 πόντους. Στη συνέχεια η εκδήλωση είναι ότι στην 1η ρίψη θα πάρεις 4 πόντους Καιστη 2η ρίψη θα πάρετε 5 πόντους Καιστην 3η ζαριά θα πάρετε 6 πόντους. Προφανώς, στην περίπτωση ενός κύβου θα υπάρχουν σημαντικά περισσότεροι συνδυασμοί (αποτελέσματα) από ό,τι αν πετούσαμε ένα νόμισμα. ...Καταλαβαίνω ότι ίσως τα παραδείγματα που αναλύονται δεν είναι πολύ ενδιαφέροντα, αλλά αυτά είναι πράγματα που συναντώνται συχνά σε προβλήματα και δεν υπάρχει διαφυγή από αυτά. Εκτός από ένα νόμισμα, έναν κύβο και μια τράπουλα, σας περιμένουν δοχεία με πολύχρωμες μπάλες, αρκετοί ανώνυμοι που πυροβολούν έναν στόχο και ένας ακούραστος εργάτης που αλέκει συνεχώς κάποιες λεπτομέρειες =) Πιθανότητα συμβάντος
είναι η κεντρική έννοια της θεωρίας πιθανοτήτων. ...Ένα φονικό λογικό πράγμα, αλλά έπρεπε να ξεκινήσουμε από κάπου =) Υπάρχουν διάφορες προσεγγίσεις στον ορισμό του:
; Σε αυτό το άρθρο θα επικεντρωθώ στον κλασικό ορισμό της πιθανότητας, ο οποίος χρησιμοποιείται ευρύτερα σε εκπαιδευτικές εργασίες. Ονομασίες. Η πιθανότητα ενός συγκεκριμένου γεγονότος υποδεικνύεται με ένα κεφαλαίο λατινικό γράμμα και το ίδιο το γεγονός λαμβάνεται σε αγκύλες, λειτουργώντας ως ένα είδος επιχειρήματος. Για παράδειγμα: Επίσης, το μικρό γράμμα χρησιμοποιείται ευρέως για να δηλώσει πιθανότητα. Συγκεκριμένα, μπορείτε να εγκαταλείψετε τους δυσκίνητους χαρακτηρισμούς των γεγονότων και τις πιθανότητές τους υπέρ του παρακάτω στυλ: – την πιθανότητα ότι μια ρίψη νομίσματος θα έχει ως αποτέλεσμα κεφαλές. Αυτή η επιλογή είναι δημοφιλής κατά την επίλυση πρακτικών προβλημάτων, καθώς σας επιτρέπει να μειώσετε σημαντικά την εγγραφή της λύσης. Όπως και στην πρώτη περίπτωση, είναι βολικό να χρησιμοποιείτε «ομιλούντες» δείκτες/υπέργραφους εδώ. Όλοι έχουν μαντέψει από καιρό τους αριθμούς που μόλις έγραψα παραπάνω και τώρα θα μάθουμε πώς έγιναν: Η πιθανότητα να συμβεί ένα συμβάν σε ένα συγκεκριμένο τεστ ονομάζεται λόγος, όπου: – συνολικός αριθμός όλων εξίσου δυνατό, στοιχειώδηςαποτελέσματα αυτής της δοκιμασίας, τα οποία σχηματίζονται πλήρη ομάδα εκδηλώσεων; - ποσότητα στοιχειώδηςαποτελέσματα, ευνοϊκός
Εκδήλωση. Όταν πετάτε ένα νόμισμα, μπορεί να πέσουν είτε τα κεφάλια είτε οι ουρές - αυτά τα γεγονότα σχηματίζονται πλήρης ομάδα, επομένως, ο συνολικός αριθμός των αποτελεσμάτων. ταυτόχρονα, το καθένα από αυτά στοιχειώδηςΚαι εξίσου δυνατό. Η διοργάνωση ευνοείται από το αποτέλεσμα (κεφάλια). Σύμφωνα με τον κλασικό ορισμό της πιθανότητας: . Ομοίως, ως αποτέλεσμα της ρίψης ενός ζαριού, μπορεί να εμφανιστούν στοιχειώδη εξίσου πιθανά αποτελέσματα, σχηματίζοντας μια πλήρη ομάδα, και το γεγονός ευνοείται από ένα μόνο αποτέλεσμα (rolling a five). Να γιατί: ΑΥΤΟ ΔΕΝ ΕΙΝΑΙ ΑΠΟΔΕΚΤΟ ΝΑ ΚΑΝΕΙΣ (αν και δεν απαγορεύεται να υπολογίζεις ποσοστά στο κεφάλι σου). Συνηθίζεται να χρησιμοποιούνται κλάσματα μιας μονάδας, και, προφανώς, η πιθανότητα μπορεί να ποικίλλει εντός . Επιπλέον, αν , τότε το συμβάν είναι αδύνατο, Αν - αξιόπιστος, και αν , τότε μιλάμε για τυχαίοςΕκδήλωση. ! Εάν, ενώ λύνετε οποιοδήποτε πρόβλημα, λαμβάνετε κάποια άλλη τιμή πιθανότητας, αναζητήστε το σφάλμα! Στην κλασική προσέγγιση για τον προσδιορισμό της πιθανότητας, οι ακραίες τιμές (μηδέν και ένα) λαμβάνονται με τον ίδιο ακριβώς συλλογισμό. Αφήστε 1 μπάλα να τραβηχτεί τυχαία από ένα συγκεκριμένο δοχείο που περιέχει 10 κόκκινες μπάλες. Εξετάστε τα ακόλουθα γεγονότα: σε μία μόνο δοκιμή δεν θα συμβεί ένα συμβάν χαμηλής πιθανότητας. Αυτός είναι ο λόγος για τον οποίο δεν θα πετύχετε το τζάκποτ στην κλήρωση εάν η πιθανότητα αυτού του γεγονότος είναι, ας πούμε, 0,00000001. Ναι, ναι, είσαι εσύ – με το μοναδικό εισιτήριο σε μια συγκεκριμένη κυκλοφορία. Ωστόσο, ο μεγαλύτερος αριθμός εισιτηρίων και ο μεγαλύτερος αριθμός κληρώσεων δεν θα σας βοηθήσουν ιδιαίτερα. ...Όταν λέω σε άλλους για αυτό, σχεδόν πάντα ακούω ως απάντηση: «αλλά κάποιος κερδίζει». Εντάξει, τότε ας κάνουμε το εξής πείραμα: αγοράστε ένα εισιτήριο για οποιαδήποτε λοταρία σήμερα ή αύριο (μην καθυστερείτε!). Και αν κερδίσετε... καλά, τουλάχιστον περισσότερα από 10 κιλόρουβλια, φροντίστε να εγγραφείτε - θα σας εξηγήσω γιατί συνέβη αυτό. Για ένα ποσοστό, φυσικά =) =) Αλλά δεν χρειάζεται να είμαστε λυπημένοι, γιατί υπάρχει μια αντίθετη αρχή: αν η πιθανότητα κάποιου γεγονότος είναι πολύ κοντά στη μία, τότε σε μια δοκιμή θα σχεδόν βέβαιοθα συμβεί. Επομένως, πριν πηδήσετε με αλεξίπτωτο, δεν χρειάζεται να φοβάστε, αντίθετα, χαμογελάστε! Άλλωστε, πρέπει να προκύψουν εντελώς αδιανόητες και φανταστικές συνθήκες για να αστοχήσουν και τα δύο αλεξίπτωτα. Αν και όλα αυτά είναι λυρισμός, αφού ανάλογα με το περιεχόμενο του γεγονότος, η πρώτη αρχή μπορεί να αποδειχθεί χαρούμενη και η δεύτερη - θλιβερή. ή έστω και τα δύο είναι παράλληλα. Ίσως είναι αρκετό για τώρα, στην τάξη Κλασικά προβλήματα πιθανοτήτωνθα αξιοποιήσουμε στο έπακρο τη φόρμουλα. Στο τελευταίο μέρος αυτού του άρθρου, θα εξετάσουμε ένα σημαντικό θεώρημα: Το άθροισμα των πιθανοτήτων των γεγονότων που σχηματίζουν μια πλήρη ομάδα είναι ίσο με ένα. Σε γενικές γραμμές, εάν τα γεγονότα αποτελούν μια πλήρη ομάδα, τότε με 100% πιθανότητα θα συμβεί ένα από αυτά. Στην απλούστερη περίπτωση, μια πλήρης ομάδα σχηματίζεται από αντίθετα γεγονότα, για παράδειγμα: – ως αποτέλεσμα μιας ρίψης νομίσματος, θα εμφανιστούν κεφάλια. Σύμφωνα με το θεώρημα: Είναι απολύτως σαφές ότι αυτά τα γεγονότα είναι εξίσου πιθανά και οι πιθανότητές τους είναι ίδιες . Λόγω της ισότητας των πιθανοτήτων, συχνά καλούνται εξίσου πιθανά γεγονότα εξίσου πιθανό
. Και εδώ είναι ένα στριφτάρι γλώσσας για τον προσδιορισμό του βαθμού μέθης =) Παράδειγμα με κύβο: τα γεγονότα είναι αντίθετα, επομένως . Το υπό εξέταση θεώρημα είναι βολικό καθώς σας επιτρέπει να βρείτε γρήγορα την πιθανότητα του αντίθετου γεγονότος. Έτσι, εάν είναι γνωστή η πιθανότητα να κυλιθεί ένα πεντάρι, είναι εύκολο να υπολογίσουμε την πιθανότητα να μην έχει κυληθεί: Αυτό είναι πολύ πιο απλό από το να συνοψίσουμε τις πιθανότητες πέντε στοιχειωδών αποτελεσμάτων. Για στοιχειώδη αποτελέσματα, παρεμπιπτόντως, ισχύει και αυτό το θεώρημα: !
Στη θεωρία πιθανοτήτων, δεν είναι επιθυμητό να χρησιμοποιούνται γράμματα για άλλους σκοπούς. Προς τιμήν της Ημέρας της Γνώσης, δεν θα αναθέσω εργασίες στο σπίτι =), αλλά είναι πολύ σημαντικό να απαντήσετε στις ακόλουθες ερωτήσεις: – Τι είδους εκδηλώσεις υπάρχουν; Όχι, δεν χρειάζεται να στριμώξετε τίποτα, αυτά είναι μόνο τα βασικά της θεωρίας πιθανοτήτων - ένα είδος αστάρι που θα χωρέσει γρήγορα στο κεφάλι σας. Και για να συμβεί αυτό το συντομότερο δυνατό, σας προτείνω να εξοικειωθείτε με τα μαθήματα για μαθητές 2ου έτους όλων των ειδικοτήτων Τμήμα Ανωτάτων Μαθηματικών Αγαπητοί φοιτητές! Φέρνουμε στην προσοχή σας μια ανασκόπηση (εισαγωγική) διάλεξη του καθηγητή N.Sh. Kremer σχετικά με τον κλάδο «Θεωρία Πιθανοτήτων και Μαθηματική Στατιστική» για δευτεροετείς φοιτητές του VZFEI. Η διάλεξη συζητά καθήκοντασπουδάζοντας θεωρία πιθανοτήτων και μαθηματικές στατιστικές σε οικονομικό πανεπιστήμιο και τη θέση τηςστο σύστημα εκπαίδευσης ένας σύγχρονος οικονομολόγος, θεωρείται οργάνωση
ανεξάρτητοςΔίνεται εργασία των μαθητών με χρήση συστήματος εκπαίδευσης που βασίζεται σε υπολογιστή (CTS) και παραδοσιακών εγχειριδίων επισκόπηση των κύριων διατάξεωναυτό το μάθημα, καθώς και μεθοδολογικές συστάσεις για τη μελέτη του. Μεταξύ των μαθηματικών κλάδων που σπουδάζονται σε οικονομικό πανεπιστήμιο, ιδιαίτερη θέση κατέχουν η θεωρία πιθανοτήτων και η μαθηματική στατιστική. Πρώτον, είναι η θεωρητική βάση των στατιστικών κλάδων. Δεύτερον, οι μέθοδοι της θεωρίας πιθανοτήτων και η μαθηματική στατιστική χρησιμοποιούνται άμεσα στη μελέτη μαζικά αδρανήπαρατηρούμενα φαινόμενα, επεξεργασία αποτελεσμάτων παρατήρησης και αναγνώριση προτύπων τυχαίων φαινομένων. Τέλος, η θεωρία πιθανοτήτων και οι μαθηματικές στατιστικές έχουν σημαντική μεθοδολογική σημασία γνωστική διαδικασία, κατά τον προσδιορισμό ενός γενικού μοτίβου ερευνήθηκεδιαδικασίες, χρησιμεύει ως λογικό βάσηεπαγωγικός-απαγωγικός συλλογισμός. Κάθε δευτεροετής φοιτητής πρέπει να έχει το ακόλουθο σύνολο (περίπτωση) στο γνωστικό αντικείμενο «Θεωρία Πιθανοτήτων και Μαθηματική Στατιστική»: 1.
Διάλεξη προσανατολισμού επισκόπησηςσε αυτόν τον κλάδο. 2.
Σχολικό βιβλίο N.Sh. Kremer «Θεωρία Πιθανοτήτων και Μαθηματική Στατιστική» - M.: UNITY - DANA, 2007 (εφεξής θα το ονομάζουμε απλώς «εγχειρίδιο»). 3.
Εκπαιδευτικό και μεθοδολογικό εγχειρίδιο«Θεωρία Πιθανοτήτων και Μαθηματική Στατιστική» / επιμ. N.Sh. Κρέμερ. – Μ.: Πανεπιστημιακό εγχειρίδιο, 2005 (εφεξής «εγχειρίδιο»). 4.
Πρόγραμμα εκπαίδευσης υπολογιστών COPR για τον κλάδο (εφεξής «πρόγραμμα υπολογιστή»). Στον ιστότοπο του ινστιτούτου, στη σελίδα «Εταιρικοί Πόροι», δημοσιεύονται ηλεκτρονικές εκδόσεις του προγράμματος υπολογιστή KOPR2, μια διάλεξη προσανατολισμού επισκόπησης και μια ηλεκτρονική έκδοση του εγχειριδίου. Επιπλέον, παρουσιάζεται το πρόγραμμα υπολογιστή και το εγχειρίδιο
CD
-
ROM
αχ για τους δευτεροετείς φοιτητές.
Επομένως, σε «χάρτινη μορφή» ο μαθητής χρειάζεται μόνο να έχει ένα εγχειρίδιο. Ας εξηγήσουμε τον σκοπό καθενός από τα εκπαιδευτικά υλικά που περιλαμβάνονται στο καθορισμένο σύνολο (περίπτωση). Στο σχολικό βιβλίοπαρουσιάζονται οι κύριες διατάξεις του εκπαιδευτικού υλικού του κλάδου, που απεικονίζονται από έναν αρκετά μεγάλο αριθμό λυμένων προβλημάτων. ΣΕ οφέληΔίνονται μεθοδολογικές συστάσεις για ανεξάρτητη μελέτη εκπαιδευτικού υλικού, επισημαίνονται οι πιο σημαντικές έννοιες του μαθήματος και τυπικές εργασίες, δίνονται ερωτήσεις δοκιμής για αυτοέλεγχο σε αυτόν τον κλάδο, επιλογές για τεστ στο σπίτι που πρέπει να ολοκληρώσει ο μαθητής, καθώς και μεθοδολογικές δίνονται οδηγίες για την εφαρμογή τους. Πρόγραμμα υπολογιστήέχει σχεδιαστεί για να σας παρέχει τη μέγιστη βοήθεια για τον έλεγχο του μαθήματος στη λειτουργία διάλογοςπρόγραμμα με έναν μαθητή προκειμένου να αντισταθμίσει στο μέγιστο βαθμό την έλλειψη εκπαίδευσης στην τάξη και την κατάλληλη επαφή με τον δάσκαλο. Για έναν μαθητή που σπουδάζει μέσω του συστήματος εξ αποστάσεως εκπαίδευσης, η πρωταρχική και αποφασιστική σημασία είναι οργάνωση ανεξάρτητης εργασίας. Όταν αρχίσετε να μελετάτε αυτόν τον κλάδο, διαβάστε αυτήν την επισκόπηση (εισαγωγική) διάλεξη μέχρι το τέλος. Αυτό θα σας επιτρέψει να αποκτήσετε μια γενική ιδέα για τις βασικές έννοιες και τις μεθόδους που χρησιμοποιούνται στο μάθημα «Θεωρία Πιθανοτήτων και Μαθηματική Στατιστική» και τις απαιτήσεις για το επίπεδο εκπαίδευσης των σπουδαστών VZFEI. Πριν μελετήσετε κάθε θέμα Διαβάστε τις οδηγίες για τη μελέτη αυτού του θέματος στο εγχειρίδιο.Εδώ θα βρείτε μια λίστα με εκπαιδευτικές ερωτήσεις σχετικά με αυτό το θέμα που θα μελετήσετε. μάθετε ποιες έννοιες, ορισμοί, θεωρήματα, προβλήματα είναι τα πιο σημαντικά που πρέπει πρώτα να μελετηθούν και να κατακτηθούν. Στη συνέχεια προχωρήστε στη μελέτη βασικό εκπαιδευτικό υλικόσύμφωνα με το σχολικό βιβλίο σύμφωνα με τις ληφθείσες μεθοδολογικές συστάσεις. Σας συμβουλεύουμε να κρατάτε σημειώσεις σε ξεχωριστό σημειωματάριο σχετικά με τους κύριους ορισμούς, δηλώσεις θεωρημάτων, διαγράμματα των αποδείξεών τους, τύπους και λύσεις σε τυπικά προβλήματα. Συνιστάται να γράφετε τους τύπους σε ειδικούς πίνακες για κάθε μέρος του μαθήματος: θεωρία πιθανοτήτων και μαθηματικές στατιστικές. Η τακτική χρήση σημειώσεων, ιδίως πινάκων τύπων, προάγει την απομνημόνευσή τους. Μόνο αφού επεξεργαστείτε το βασικό εκπαιδευτικό υλικό κάθε θέματος στο σχολικό βιβλίο, μπορείτε να προχωρήσετε στη μελέτη αυτού του θέματος χρησιμοποιώντας ένα εκπαιδευτικό πρόγραμμα υπολογιστή (KOPR2). Δώστε προσοχή στη δομή του προγράμματος υπολογιστή για κάθε θέμα. Μετά το όνομα του θέματος, υπάρχει μια λίστα με τις κύριες εκπαιδευτικές ερωτήσεις του θέματος στο σχολικό βιβλίο, αναφέροντας τον αριθμό των παραγράφων και των σελίδων που πρέπει να μελετηθούν. (Θυμηθείτε ότι μια λίστα με αυτές τις ερωτήσεις για κάθε θέμα δίνεται επίσης στο εγχειρίδιο). Στη συνέχεια, δίνεται υλικό αναφοράς για αυτό το θέμα (ή σε μεμονωμένες παραγράφους αυτού του θέματος) σε σύντομη μορφή - βασικοί ορισμοί, θεωρήματα, ιδιότητες και χαρακτηριστικά, τύποι κ.λπ. Κατά τη μελέτη ενός θέματος, μπορείτε επίσης να εμφανίσετε στην οθόνη εκείνα τα τμήματα υλικού αναφοράς (σε αυτό ή σε προηγούμενα θέματα) που χρειάζονται αυτήν τη στιγμή. Στη συνέχεια, σας προσφέρεται εκπαιδευτικό υλικό και, φυσικά, τυπικές εργασίες ( παραδείγματα),η λύση του οποίου εξετάζεται στον τρόπο διάλογοςπρογράμματα με μαθητή. Οι λειτουργίες ενός αριθμού παραδειγμάτων περιορίζονται στην εμφάνιση των σταδίων της σωστής λύσης στην οθόνη κατόπιν αιτήματος του μαθητή. Ταυτόχρονα, κατά τη διαδικασία εξέτασης των περισσότερων παραδειγμάτων, θα σας τεθούν ερωτήσεις της μιας ή της άλλης φύσης. Οι απαντήσεις σε ορισμένες ερωτήσεις πρέπει να εισάγονται χρησιμοποιώντας το πληκτρολόγιο. αριθμητική απάντηση,σε άλλους - επιλέξτε τη σωστή απάντηση (ή απαντήσεις)από πολλά προτεινόμενα. Ανάλογα με την απάντηση που καταχωρίσατε, το πρόγραμμα επιβεβαιώνει την ορθότητά του ή προτείνει, αφού διαβάσετε την υπόδειξη που περιέχει τις απαραίτητες θεωρητικές αρχές, να προσπαθήσετε ξανά να δώσετε τη σωστή λύση και απάντηση. Πολλές εργασίες έχουν όριο στον αριθμό των προσπαθειών λύσης (αν ξεπεραστεί αυτό το όριο, η σωστή πρόοδος επίλυσης εμφανίζεται απαραίτητα στην οθόνη). Υπάρχουν επίσης παραδείγματα στα οποία ο όγκος των πληροφοριών που περιέχονται στην υπόδειξη αυξάνεται καθώς επαναλαμβάνονται οι ανεπιτυχείς προσπάθειες απάντησης. Αφού εξοικειωθείτε με τις θεωρητικές διατάξεις του εκπαιδευτικού υλικού και των παραδειγμάτων, που παρέχονται με λεπτομερή ανάλυση της λύσης, πρέπει να ολοκληρώσετε ασκήσεις αυτοελέγχου για να εδραιώσετε τις δεξιότητές σας στην επίλυση τυπικών προβλημάτων σε κάθε θέμα. Οι εργασίες αυτοελέγχου περιέχουν επίσης στοιχεία διαλόγου με τον μαθητή. Αφού ολοκληρώσετε τη λύση, μπορείτε να δείτε τη σωστή απάντηση και να τη συγκρίνετε με αυτή που δώσατε. Στο τέλος της εργασίας για κάθε θέμα, θα πρέπει να ολοκληρώσετε εργασίες ελέγχου. Οι σωστές απαντήσεις σε αυτές δεν εμφανίζονται σε εσάς και οι απαντήσεις σας καταγράφονται στον σκληρό δίσκο του υπολογιστή για μετέπειτα εξέταση από τον δάσκαλο-σύμβουλο (καθηγητή). Αφού μελετήσετε τα θέματα 1–7, πρέπει να ολοκληρώσετε το κατ’ οίκον τεστ Νο. 3 και αφού μελετήσετε τα θέματα 8–11, το κατ’ οίκον τεστ Νο. 4. Παραλλαγές αυτών των τεστ δίνονται στο εγχειρίδιο (η ηλεκτρονική του έκδοση). Ο αριθμός της επιλογής που εκτελείται πρέπει να αντιστοιχεί στο τελευταίο ψηφίο του αριθμού του προσωπικού σας αρχείου (βιβλίο βαθμολογίας, κάρτα μαθητή). Για κάθε τεστ, πρέπει να υποβληθείτε σε συνέντευξη, κατά την οποία θα πρέπει να επιδείξετε την ικανότητά σας να επιλύετε προβλήματα και τη γνώση βασικών εννοιών (ορισμοί, θεωρήματα (χωρίς απόδειξη), τύπους κ.λπ.) σχετικά με το θέμα του τεστ. Η μελέτη του κλάδου τελειώνει με μια εξέταση μαθήματος. Η θεωρία πιθανοτήτων είναι μια μαθηματική επιστήμη που μελετά τα πρότυπα τυχαίων φαινομένων. Ο κλάδος που προσφέρεται για μελέτη αποτελείται από δύο ενότητες «Θεωρία Πιθανοτήτων» και «Μαθηματική Στατιστική».Φροντιστήριο
Υποβάλετε την αίτησή σαςυποδεικνύοντας το θέμα αυτή τη στιγμή για να ενημερωθείτε σχετικά με τη δυνατότητα λήψης μιας διαβούλευσης.
– ή θα συμβεί μόνο ένα ζευγάρι συμβάντων (βροχή + καταιγίδα / βροχή + ήλιος / καταιγίδα + ήλιος).
– ή θα εμφανιστούν και τα τρία συμβάντα ταυτόχρονα.
– το 1ο νόμισμα θα προσγειώσει κεφάλια.
– οι κεφαλές θα εμφανίζονται στο 2ο νόμισμα.
– το 2ο νόμισμα θα προσγειωθεί.
Καιστο 2ο) θα εμφανιστούν κεφαλές.
– το γεγονός είναι ότι και στα δύο νομίσματα (την 1η Καιτο 2ο) θα ειναι κεφαλια?
– το γεγονός είναι ότι το 1ο νόμισμα θα προσγειωθεί Καιτο 2ο νόμισμα είναι ουρές?
– το γεγονός είναι ότι το 1ο νόμισμα θα προσγειωθεί Καιστο 2ο νόμισμα υπάρχει ένας αετός.
– στη 2η βολή θα πάρετε 5 πόντους.
– στην 3η ρίψη θα πάρετε 6 πόντους.Πιθανότητα συμβάντος
Γεωμετρικός ορισμός της πιθανότητας
;
Στατιστικός ορισμός της πιθανότητας
.
– η πιθανότητα μια ζαριά να έχει ως αποτέλεσμα 5 πόντους.
– η πιθανότητα να τραβηχτεί από την τράπουλα ένα φύλλο του συλλόγου.Κλασικός ορισμός της πιθανότητας:
– το αποτέλεσμα μιας ρίψης νομίσματος θα είναι κεφαλές.
. Για παράδειγμα, αν είναι η πιθανότητα ο σκοπευτής να χτυπήσει τον στόχο, τότε είναι η πιθανότητα να αστοχήσει.
– Τι είναι η πιθανότητα και η ίση πιθανότητα ενός γεγονότος;
– Πώς αντιλαμβάνεστε τους όρους συμβατότητα/ασυμβατότητα συμβάντων;
– Τι είναι μια πλήρης ομάδα γεγονότων, αντίθετα γεγονότα;
– Τι σημαίνει πρόσθεση και πολλαπλασιασμός γεγονότων;
– Ποια είναι η ουσία του κλασικού ορισμού της πιθανότητας;
– Γιατί είναι χρήσιμο το θεώρημα για την πρόσθεση των πιθανοτήτων γεγονότων που σχηματίζουν μια πλήρη ομάδα;Εισαγωγικό μέρος