Tõenäosusteooria ja matemaatiline statistika
- Agekyan T.A. Veateooria alused astronoomidele ja füüsikutele (2. väljaanne). M.: Nauka, 1972 (djvu, 2,44 M)
- Agekyan T.A. Tõenäosusteooria astronoomidele ja füüsikutele. M.: Nauka, 1974 (djvu, 2,59 M)
- Anderson T. Aegridade statistiline analüüs. M.: Mir, 1976 (djvu, 14 M)
- Bakelman I.Ya. Werner A.L. Kantor B.E. Sissejuhatus diferentsiaalgeomeetriasse "üldiselt". M.: Nauka, 1973 (djvu, 5,71 M)
- Bernstein S.N. Tõenäosusteooria. M.-L.: GI, 1927 (djvu, 4,51 M)
- Billingsley P. Tõenäosusmõõtude konvergents. M.: Nauka, 1977 (djvu, 3,96 M)
- Kast J. Jenkins G. Aegridade analüüs: prognoos ja juhtimine. 1. number. M.: Mir, 1974 (djvu, 3,38 M)
- Kast J. Jenkins G. Aegridade analüüs: prognoos ja juhtimine. 2. number. M.: Mir, 1974 (djvu, 1,72 M)
- Borel E. Tõenäosus ja usaldusväärsus. M.: Nauka, 1969 (djvu, 1,19 M)
- Van der Waerden B.L. Matemaatiline statistika. M.: IL, 1960 (djvu, 6,90 M)
- Vapnik V.N. Sõltuvuste taastamine empiiriliste andmete põhjal. M.: Nauka, 1979 (djvu, 6,18 M)
- Ventzel E.S. Sissejuhatus operatsiooniuuringutesse. M.: Nõukogude raadio, 1964 (djvu, 8.43M)
- Ventzel E.S. Mänguteooria elemendid (2. väljaanne). Sari: Populaarsed loengud matemaatikast. 32. number M.: Nauka, 1961 (djvu, 648 K)
- Ventstel E.S. Tõenäosusteooria (4. väljaanne). M.: Nauka, 1969 (djvu, 8,05 M)
- Ventstel E.S., Ovcharov L.A. Tõenäosusteooria. Ülesanded ja harjutused. M.: Nauka, 1969 (djvu, 7,71 M)
- Vilenkin N.Ya., Potapov V.G. Praktiline tõenäosusteooria töövihik kombinatoorika ja matemaatilise statistika elementidega. M.: Haridus, 1979 (djvu, 1,12M)
- Gmurman V.E. Tõenäosusteooria ja matemaatilise statistika ülesannete lahendamise juhend (3. trükk). M.: Kõrgem. kool, 1979 (djvu, 4,24 M)
- Gmurman V.E. Tõenäosusteooria ja matemaatiline statistika(4. väljaanne). M.: Kõrgkool, 1972 (djvu, 3,75M)
- Gnedenko B.V., Kolmogorov A.N. Sõltumatute juhuslike muutujate summade piirjaotused. M.-L.: GITTL, 1949 (djvu, 6,26 M)
- Gnedenko B.V., Khinchin A.Ya. Elementaarne sissejuhatus tõenäosusteooriasse (7. väljaanne). M.: Nauka, 1970 (djvu, 2,48 M)
- Tamm J.L. Tõenäosuslikud protsessid. M.: IL, 1956 (djvu, 8,48M)
- David G. Tavastatistika. M.: Nauka, 1979 (djvu, 2,87M)
- Ibragimov I.A., Linnik Yu.V. Sõltumatud ja statsionaarsed seotud suurused. M.: Nauka, 1965 (djvu, 6,05 M)
- Idier V., Dryard D., James F., Rus M., Sadoulet B. Statistilised meetodid eksperimentaalfüüsikas. M.: Atomizdat, 1976 (djvu, 5,95 M)
- Kamalov M.K. Levitamine ruutvormid normaalse populatsiooni proovides. Taškent: UsSSRi Teaduste Akadeemia, 1958 (djvu, 6,29 M)
- Kassandra O.N., Lebedev V.V. Vaatlustulemuste töötlemine. M.: Nauka, 1970 (djvu, 867 K)
- Katz M. Tõenäosus ja sellega seotud küsimused füüsikas. M.: Mir, 1965 (djvu, 3,67M)
- Katz M. Mitmed füüsika ja matemaatika tõenäosusprobleemid. M.: Nauka, 1967 (djvu, 1,50 M)
- Katz M. Statistiline sõltumatus tõenäosusteoorias, analüüsis ja arvuteoorias. M.: IL, 1963 (djvu, 964 K)
- Kendall M., Moran P. Geomeetrilised tõenäosused. M.: Nauka, 1972 (djvu, 1,40 M)
- Kendall M., Stewart A. 2. köide. Statistilised järeldused ja seosed. M.: Nauka, 1973 (djvu, 10 M)
- Kendall M., Stewart A. 3. köide. Mitmemõõtmeline statistiline analüüs ja aegread. M.: Nauka, 1976 (djvu, 7,96 M)
- Kendall M., Stewart A. Vol. 1. Jaotuste teooria. M.: Nauka, 1965 (djvu, 6,02 M)
- Kolmogorov A.N. Tõenäosusteooria põhimõisted (2. trükk) M.: Nauka, 1974 (djvu, 2,14 M)
- Koltšin V.F., Sevastjanov B.A., Tšistjakov V.P. Juhuslikud paigutused. M.: Nauka, 1976 (djvu, 2,96 M)
- Kramer G. Statistika matemaatilised meetodid (2. trükk). M.: Mir, 1976 (djvu, 9,63 M)
- Leman E. Statistiliste hüpoteeside testimine. M.: Teadus. 1979. aastal (djvu, 5,18 M)
- Linnik Yu.V., Ostrovski I.V. Juhuslike suuruste ja vektorite dekompositsioonid. M.: Nauka, 1972 (djvu, 4,86 M)
- Likholetov I.I., Matskevitš I.P. Juhend kõrgema matemaatika, tõenäosusteooria ja matemaatilise statistika ülesannete lahendamiseks (2. trükk). Mn.: Vysh. kool, 1969 (djvu, 4,99 miljonit)
- Loev M. Tõenäosusteooria. M.: IL, 1962 (djvu, 7.38M)
- Malakhov A.N. Juhuslike mitte-Gaussi protsesside ja nende teisenduste kumulantanalüüs. M.: Sov. raadio, 1978 (djvu, 6,72M)
- Meshalkin L.D. Tõenäosusteooria ülesannete kogu. M.: MSU, 1963 (djvu, 1 004 K)
- Mitropolsky A.K. Hetketeooria. M.-L.: GIKSL, 1933 (djvu, 4,49 M)
- Mitropolsky A.K. Statistilise andmetöötluse tehnikad (2. väljaanne). M.: Nauka, 1971 (djvu, 8.35M)
- Mosteller F., Rurke R., Thomas J. Tõenäosus. M.: Mir, 1969 (djvu, 4,82M)
- Nalimov V.V. Matemaatilise statistika rakendamine aine analüüsimisel. M.: GIFML, 1960 (djvu, 4.11M)
- Neveu J. Tõenäosusteooria matemaatilised alused. M.: Mir, 1969 (djvu, 3,62M)
- Preston K. Matemaatika. Uus välisteaduses nr.7. Gibbsi olekud loendatavatel komplektidel. M.: Mir, 1977 (djvu, 2,15 M)
- Saveljev L.Ya. Elementaarne tõenäosusteooria. 1. osa. Novosibirsk: NSU, 2005 (
Tõenäosusteooria ja matemaatiline statistika
1. TEOREETILINE OSA
1 Juhuslike muutujate jadade ja tõenäosusjaotuste konvergents
Tõenäosusteoorias peame tegelema erinevat tüüpi juhuslike suuruste konvergents. Vaatleme järgmisi peamisi konvergentsi liike: tõenäosuse järgi, tõenäosusega üks, järgu p järgi, jaotuse järgi.
Olgu,... mingis tõenäosusruumis (, Ф, P) defineeritud juhuslikud muutujad.
Definitsioon 1. Juhuslike muutujate jada ... koondub tõenäosusega juhuslikuks muutujaks (tähistus:), kui mõni > 0
Definitsioon 2. Juhuslike muutujate jada ... koondub tõenäosusega üks (peaaegu kindlasti, peaaegu kõikjal) juhuslikule muutujale, kui
need. kui tulemuste hulk, mille puhul () ei ühti ()-ga, on null tõenäosusega.
Seda tüüpi konvergentsi tähistatakse järgmiselt: , või, või.
Definitsioon 3. Juhuslike muutujate jada ... nimetatakse keskmiseks-konvergendiks järku p, 0< p < , если
Definitsioon 4. Juhuslike muutujate jada... koondub jaotuses juhuslikuks muutujaks (tähistus:), kui mis tahes piiratud pideva funktsiooni korral
Konvergentsi juhuslike suuruste jaotuses defineeritakse ainult nende jaotusfunktsioonide konvergentsi kaudu. Seetõttu on seda tüüpi konvergentsist otstarbekas rääkida ka siis, kui juhuslikud suurused on määratud erinevates tõenäosusruumides.
1. teoreem.
a) (P-a.s.) jaoks on vajalik ja piisav, et mis tahes > 0 korral
) Jada () on põhitõenäosusega üks siis ja ainult siis, kui mis tahes > 0 korral.
Tõestus.
a) Olgu A = (: |- | ), A = A. Siis
Seetõttu on väide a) järgmise implikatsioonide ahela tulemus:
P(: )= 0 P() = 0 = 0 P(A) = 0, m 1 P(A) = 0, > 0 P() 0, n 0, > 0 P( ) 0,
n 0, > 0.) Tähistame = (: ), = . Siis (: (()) ei ole põhiline ) = ja samamoodi nagu punktis a) näidatakse, et (: (()) ei ole põhiline ) = 0 P( ) 0, n.
Teoreem on tõestatud
Teoreem 2. (Kauchy kriteerium peaaegu kindla konvergentsi jaoks)
Selleks, et juhuslike muutujate jada () koonduks tõenäosusega üks (mingile juhuslikule muutujale), on vajalik ja piisav, et see oleks tõenäosusega üks fundamentaalne.
Tõestus.
Kui, siis +
millest järeldub teoreemi tingimuste vajalikkus.
Nüüd olgu jada () põhiline tõenäosusega üks. Tähistame L = (: (()) mitte fundamentaalne). Siis on arvujada () kõigi jaoks põhiline ja Cauchy kriteeriumi järgi arvujadade jaoks on () olemas. Paneme
See määratletud funktsioon on juhuslik suurus ja.
Teoreem on tõestatud.
2 Iseloomulike funktsioonide meetod
Karakterfunktsioonide meetod on tõenäosusteooria analüütilise aparaadi üks peamisi tööriistu. Koos juhuslike muutujatega (reaalväärtuste võtmine) nõuab iseloomulike funktsioonide teooria kompleksväärtuslike juhuslike muutujate kasutamist.
Paljud juhuslike muutujatega seotud definitsioonid ja omadused on hõlpsasti ülekantavad keerukale juhtumile. Niisiis, matemaatiline ootus M ?kompleksväärtusega juhuslik suurus ?=?+?? loetakse kindlaks määratud, kui see on kindlaks määratud matemaatilised ootused M ?ja M ?. Sel juhul eeldame definitsiooni järgi M ?= M ? + ?M ?. Juhuslike elementide sõltumatuse definitsioonist järeldub, et kompleksväärtuslikud suurused ?1 =?1+??1 , ?2=?2+??2on sõltumatud siis ja ainult siis, kui juhuslike muutujate paarid on sõltumatud ( ?1 , ?1) ja ( ?2 , ?2), või, mis on sama, sõltumatu ?-algebra F ?1, ?1 ja F ?2, ?2.
Koos tühikuga L 2reaalsed juhuslikud muutujad lõpliku teise hetkega, saame arvesse võtta kompleksväärtuslike juhuslike muutujate Hilberti ruumi ?=?+?? koos M | ?|2, где |?|2= ?2+?2ja skalaarkorrutis ( ?1 , ?2)= M ?1?2¯ , Kus ?2¯ - kompleksne konjugeeritud juhuslik suurus.
Algebralistes operatsioonides käsitletakse vektoreid Rn algebraliste veergudena,
Reavektoritena a* - (a1,a2,…,an). Kui Rn , siis nende skalaarkorrutist (a,b) mõistetakse suurusena. Selge see
Kui aRn ja R=||rij|| on maatriks järjestusega nхn
Definitsioon 1. Olgu F = F(x1,....,xn) - n-mõõtmeline jaotusfunktsioon punktis (, ()). Selle iseloomulikku funktsiooni nimetatakse funktsiooniks
2. definitsioon . Kui? = (?1,…,?n) on juhuslik vektor, mis on defineeritud tõenäosusruumis väärtustega in, siis selle iseloomulikku funktsiooni nimetatakse funktsiooniks
kus on F? = F?(х1,….,хn) - vektori jaotusfunktsioon?=(?1,…, ?n).
Kui jaotusfunktsiooni F(x) tihedus on f = f(x), siis
Sel juhul pole iseloomulik funktsioon midagi muud kui funktsiooni f(x) Fourier' teisendus.
(3) järeldub, et juhusliku vektori tunnusfunktsiooni ??(t) saab defineerida ka võrdsusega
Karakterfunktsioonide põhiomadused (n=1 korral).
Lase? = ?(?) - juhuslik suurus, F? =F? (x) on selle jaotusfunktsioon ja iseloomulik funktsioon.
Tuleb märkida, et kui, siis.
Tegelikult
kus kasutasime ära asjaolu, et sõltumatute (piiratud) juhuslike muutujate korrutise matemaatiline ootus on võrdne nende matemaatiliste ootuste korrutisega.
Omadus (6) on võtmetähtsusega sõltumatute juhuslike suuruste summade piirteoreemide tõestamisel karakteristlike funktsioonide meetodil. Sellega seoses väljendatakse jaotusfunktsiooni üksikute terminite jaotusfunktsioonide kaudu palju keerulisemal viisil, nimelt kus * märk tähendab jaotuste keerdumist.
Iga jaotusfunktsiooni saab seostada juhusliku muutujaga, mille jaotusfunktsioon on see funktsioon. Seetõttu võime karakteristlike funktsioonide omaduste esitamisel piirduda juhuslike suuruste tunnusfunktsioonide arvestamisega.
1. teoreem. Lase? - juhuslik suurus jaotusfunktsiooniga F=F(x) ja - sellele iseloomulik funktsioon.
Toimuvad järgmised omadused:
) on ühtlaselt pidev sisse;
) on reaalväärtuslik funktsioon siis ja ainult siis, kui F jaotus on sümmeetriline
)kui mõne n? 1, siis on kõigi jaoks tuletised ja
)Kui on olemas ja on lõplik, siis
) Olgu kõigi n ? 1 ja
siis kõigile |t| Järgnev teoreem näitab, et karakteristlik funktsioon määrab üheselt jaotusfunktsiooni. Teoreem 2 (unikaalsus). Olgu F ja G kaks jaotusfunktsiooni, millel on sama tunnusfunktsioon, see tähendab kõigi jaoks Teoreem ütleb, et jaotusfunktsiooni F = F(x) saab selle iseloomulikust funktsioonist üheselt taastada. Järgmine teoreem annab funktsiooni F selge esituse. Teoreem 3 (üldistusvalem). Olgu F = F(x) jaotusfunktsioon ja sellele iseloomulik funktsioon. a) Mis tahes kahe punkti a, b (a< b), где функция F = F(х) непрерывна, ) Kui jaotusfunktsiooni F(x) tihedus on f(x), Teoreem 4. Selleks, et juhusliku vektori komponendid oleksid sõltumatud, on vajalik ja piisav, et selle tunnusfunktsioon oleks komponentide karakteristlike funktsioonide korrutis: Bochneri-Khinchini teoreem .
Olgu pidev funktsioon Et see oleks iseloomulik, on vajalik ja piisav, et see oleks mittenegatiivne kindel, see tähendab mis tahes reaalarvude t1, ... , tn ja mis tahes kompleksarvude korral. Teoreem 5. Olgu juhusliku suuruse tunnusfunktsioon. a) Kui mõnele, siis on juhuslik suurus sammuga võre, st ) Kui kahe erineva punkti korral on irratsionaalarv, siis kas see on juhuslik suurus? on degenereerunud: kus a on mingi konstant. c) Kui, siis kas see on juhuslik suurus? degenereerunud. 1.3 Keskpiirteoreem sõltumatute identse jaotusega juhuslike suuruste jaoks Olgu () sõltumatute, identselt jaotatud juhuslike muutujate jada. Ootus M= a, dispersioon D= , S = ja Ф(х) on normaalseaduse jaotusfunktsioon parameetritega (0,1). Tutvustame teist juhuslike muutujate jada Teoreem. Kui 0<<, то при n P(< x) Ф(х) равномерно относительно х (). Sel juhul nimetatakse järjestust () asümptootiliselt normaalseks. Sellest, et M = 1 ja pidevuse teoreemidest järeldub, et koos nõrga konvergentsiga FM f() Mf() mis tahes pideva piiriga f korral on konvergents M f() Mf() iga pideva f korral. , nii et |f(x)|< c(1+|x|) при каком-нибудь. Tõestus. Ühtlane lähenemine on siin nõrga konvergentsi ja Ф(x) pidevuse tagajärg. Lisaks võime üldistust kaotamata eeldada, et a = 0, kuna vastasel juhul võiksime arvestada jada () ja jada () ei muutuks. Seetõttu piisab nõutava konvergentsi tõestamiseks, kui näidata, et (t) e, kui a = 0. Meil on (t) = , kus =(t). Kuna M on olemas, siis lagunemine on olemas ja kehtib Seetõttu n Teoreem on tõestatud. 1.4 Matemaatilise statistika põhiülesanded, nende lühikirjeldus Massilisi juhuslikke nähtusi reguleerivate mustrite loomine põhineb statistiliste andmete - vaatluste tulemuste - uurimisel. Matemaatilise statistika esimene ülesanne on näidata statistilise teabe kogumise ja rühmitamise viise. Matemaatilise statistika teine ülesanne on välja töötada meetodid statistiliste andmete analüüsimiseks, olenevalt uuringu eesmärkidest. Mis tahes matemaatilise statistika ülesande lahendamisel on kaks teabeallikat. Esimene ja kõige kindlam (selgesõnaline) on vaatluste (katse) tulemus skalaarse või vektorjuhusliku muutuja mõne üldkogumi valimi kujul. Sel juhul saab valimi suurust n fikseerida või eksperimendi käigus suureneda (st saab kasutada nn järjestikuseid statistilise analüüsi protseduure). Teiseks allikaks on kogu a priori informatsioon uuritava objekti huvipakkuvate omaduste kohta, mis on praeguse hetkeni kogunenud. Formaalselt kajastub aprioorse info hulk esialgses statistilises mudelis, mis ülesande lahendamisel valitakse. Siiski pole vaja rääkida umbkaudsest määramisest sündmuse toimumise tõenäosuse tavapärases tähenduses katsete tulemuste põhjal. Mis tahes suuruse ligikaudse määramise all mõeldakse tavaliselt seda, et on võimalik näidata veapiirid, mille piires viga ei teki. Üksikute katsete tulemuste juhuslikkuse tõttu on sündmuse sagedus suvalise arvu katsete puhul juhuslik. Üksikkatsete tulemuste juhuslikkuse tõttu võib sagedus sündmuse tõenäosusest oluliselt erineda. Seega, kui defineerime sündmuse tundmatu tõenäosuse selle sündmuse sagedusena suure hulga katsete jooksul, ei saa me näidata veapiire ja tagada, et viga ei ületa neid piire. Seetõttu räägime matemaatilises statistikas tavaliselt mitte tundmatute suuruste ligikaudsetest väärtustest, vaid nende sobivatest väärtustest, hinnangutest. Tundmatute parameetrite hindamise probleem tekib juhtudel, kui üldkogumi jaotusfunktsioon on kuni parameetrini teada. Sel juhul on vaja leida statistika, mille valimi väärtust juhusliku valimi vaadeldava teostuse xn jaoks võiks pidada parameetri ligikaudseks väärtuseks. Statistikat, mille valimi väärtust mis tahes realisatsiooni xn jaoks võetakse tundmatu parameetri ligikaudse väärtusena, nimetatakse punkthinnanguks või lihtsalt hinnanguks ja see on punkthinnangu väärtus. Punkthinnang peab vastama väga spetsiifilistele nõuetele, et selle valimi väärtus vastaks parameetri tegelikule väärtusele. Võimalik on ka teine lähenemine vaadeldava probleemi lahendamisele: leida selline statistika ja kas tõenäosusega? kehtib järgmine ebavõrdsus: Sel juhul räägime intervallide hindamisest. Intervall nimetatakse usaldusvahemikuks koos usalduskoefitsiendiga?. Olles katsete tulemuste põhjal hinnanud üht või teist statistilist tunnust, tekib küsimus: kui järjepidev on eeldus (hüpotees), et tundmatul tunnusel on täpselt sama väärtus, mis saadi selle hindamise tulemusena katseandmetega? Nii tekib matemaatilise statistika teine oluline ülesannete klass - hüpoteeside kontrollimise probleemid. Teatud mõttes on statistilise hüpoteesi kontrollimise probleem parameetrite hindamise probleemi pöördvõrdeline. Parameetrit hinnates ei tea me midagi selle tegelikust väärtusest. Statistilise hüpoteesi testimisel eeldatakse millegipärast selle väärtust teada ja eksperimendi tulemuste põhjal on vaja seda eeldust kontrollida. Paljudes matemaatilise statistika probleemides vaadeldakse juhuslike muutujate jadasid, mis koonduvad ühes või teises mõttes mingi piirini (juhuslik muutuja või konstant), millal. Seega on matemaatilise statistika põhiülesanneteks hinnangute leidmise ja hinnatavatele tunnustele nende lähendamise täpsuse uurimise meetodite väljatöötamine ning hüpoteeside kontrollimise meetodite väljatöötamine. 5 Statistiliste hüpoteeside kontrollimine: põhimõisted Statistiliste hüpoteeside kontrollimise ratsionaalsete meetodite väljatöötamise ülesanne on üks matemaatilise statistika põhiülesandeid. Statistiline hüpotees (või lihtsalt hüpotees) on igasugune väide katses täheldatud juhuslike muutujate jaotuse tüübi või omaduste kohta. Olgu valim, mis on üldkogumi juhusliku valimi realisatsioon, mille jaotustihedus sõltub tundmatust parameetrist. Statistilisi hüpoteese parameetri tundmatu tegeliku väärtuse kohta nimetatakse parameetrilisteks hüpoteesideks. Veelgi enam, kui on skalaar, siis me räägime ühe parameetri hüpoteesidest ja kui see on vektor, siis me räägime mitme parameetri hüpoteesidest. Statistilist hüpoteesi nimetatakse lihtsaks, kui sellel on vorm kus on mingi määratud parameetri väärtus. Statistilist hüpoteesi nimetatakse keeruliseks, kui sellel on vorm kus on parameetrite väärtuste komplekt, mis koosneb rohkem kui ühest elemendist. Vormi kahe lihtsa statistilise hüpoteesi testimise korral kus on parameetri kaks antud (erinevat) väärtust, siis esimest hüpoteesi nimetatakse tavaliselt peamiseks ja teist alternatiivseks või konkureerivaks hüpoteesiks. Kriteerium ehk statistiline kriteerium hüpoteeside kontrollimisel on reegel, mille järgi valimiandmete põhjal otsustatakse kas esimese või teise hüpoteesi paikapidavus. Kriteerium määratakse kriitilise hulga abil, mis on juhusliku valimi valimiruumi alamhulk. Otsus tehakse järgmiselt: ) kui valim kuulub kriitilisse hulka, siis lükka põhihüpoteesi tagasi ja nõustu alternatiivse hüpoteesiga; ) kui valim ei kuulu kriitilisse hulka (s.t. kuulub valimiruumi hulga täiendisse), siis alternatiivne hüpotees lükatakse tagasi ja põhihüpotees aktsepteeritakse. Mis tahes kriteeriumi kasutamisel on võimalikud järgmist tüüpi vead: 1) nõustuma hüpoteesiga, kui see on tõene - esimest tüüpi viga; ) hüpoteesi aktsepteerimine, kui see on tõene, on II tüüpi viga. Esimest ja teist tüüpi vigade tegemise tõenäosust tähistatakse järgmiselt: kus on sündmuse tõenäosus eeldusel, et hüpotees on tõene. Näidatud tõenäosused arvutatakse juhusliku valimi jaotustiheduse funktsiooni abil: I tüüpi vea sooritamise tõenäosust nimetatakse ka kriteeriumi olulisuse tasemeks. Väärtust, mis võrdub põhihüpoteesi tagasilükkamise tõenäosusega, kui see on tõene, nimetatakse testi võimsuseks. 1.6 Sõltumatuse kriteerium Kahemõõtmelisest jaotusest on valim ((XY), ..., (XY)). L tundmatu jaotusfunktsiooniga, mille puhul on vaja testida hüpoteesi H: , kus on mõned ühemõõtmelised jaotusfunktsioonid. Metoodika põhjal saab koostada lihtsa sobivuse testi hüpoteesi H jaoks. Seda tehnikat kasutatakse diskreetsete mudelite jaoks, millel on piiratud arv tulemusi, seega nõustume, et juhuslik muutuja võtab teatud väärtustest lõpliku arvu s, mida tähistame tähtedega, ja teine komponent - k väärtused. Kui algsel mudelil on erinev struktuur, siis rühmitatakse juhuslike suuruste võimalikud väärtused eelnevalt eraldi esimeseks ja teiseks komponendiks. Sel juhul jagatakse hulk s intervallideks, seatud väärtus k intervalliks ja väärtuste komplekt ise N=sk ristkülikuteks. Tähistagem paari vaatluste arvuga (ristkülikusse kuuluvate valimielementide arvuga, kui andmed on rühmitatud), nii et. Vaatlustulemusi on mugav järjestada kahe märgi kontingentsitabeli kujul (tabel 1.1). Rakendustes tähendab see tavaliselt kahte kriteeriumi, mille järgi vaatlustulemusi klassifitseeritakse. Olgu P, i=1,…,s, j=1,…,k. Siis iseseisvuse hüpotees tähendab, et on olemas s+k konstandid sellised, et ja, s.t. Tabel 1.1 Summa . . .. . .. . . . . .. . .. . . . . . . . . . . . . . .Summa . . .n Seega taandub hüpotees H väitele, et sagedused (nende arv on N = sk) jaotuvad polünoomiseaduse järgi, mille tulemuste tõenäosus on kindlaksmääratud spetsiifiline struktuur (tulemite p tõenäosuse vektor määratakse väärtustega r = tundmatute parameetrite s + k-2. Selle hüpoteesi kontrollimiseks leiame maksimaalse tõenäosuse hinnangud tundmatute parameetrite jaoks, mis määravad vaadeldava skeemi. Kui nullhüpotees on tõene, siis on tõenäosusfunktsioonil L(p)=, kus kordaja c ei sõltu tundmatutest parameetritest. Siit, kasutades määramata kordajate Lagrange'i meetodit, saame, et nõutavad hinnangud on kujul Seetõttu statistika L() at, kuna piirjaotuse vabadusastmete arv on võrdne N-1-r=sk-1-(s+k-2)=(s-1)(k-1). Seega saab piisavalt suure n korral kasutada järgmist hüpoteesi testimise reeglit: hüpotees H lükatakse tagasi siis ja ainult siis, kui tegelikest andmetest arvutatud t statistiline väärtus rahuldab ebavõrdsust. Sellel kriteeriumil on asümptootiliselt (at) antud olulisuse tase ja seda nimetatakse sõltumatuse kriteeriumiks. 2. PRAKTILINE OSA 1 Lahendused konvergentsi tüüpide probleemidele 1. Tõesta, et konvergents tähendab peaaegu kindlasti tõenäosuse lähenemist. Tooge näide, mis näitab, et vastupidine pole tõsi. Lahendus. Laske juhuslike muutujate jada peaaegu kindlasti läheneda juhuslikule suurusele x. Nii et kellelegi? > 0 Sellest ajast peale ja xn konvergentsist x-le järeldub peaaegu kindlasti, et xn koondub tõenäoliselt x-le, kuna sel juhul Kuid vastupidine väide ei vasta tõele. Olgu sõltumatute juhuslike muutujate jada, millel on sama jaotusfunktsioon F(x), mis võrdub nulliga punktis x? 0 ja võrdne x > 0 korral. Vaatleme jada See jada läheneb tõenäosusega nullile, kuna kipub nulli iga fikseeritud? Ja. Nullile lähenemist aga peaaegu kindlasti ei toimu. Tõesti kaldub ühtsusele, st tõenäosusega 1 mis tahes ja n korral on jadas realisatsioone, mis ületavad ?. Pange tähele, et teatud lisatingimuste olemasolul suurustele xn tähendab tõenäosuse konvergents peaaegu kindlasti lähenemist. Olgu xn monotoonne jada. Tõesta, et sel juhul tähendab xn-i tõenäosuse lähenemine x-le xn-i konvergentsi tõenäosusega 1. Lahendus. Olgu xn monotoonselt kahanev jada, st. Arutluskäigu lihtsustamiseks eeldame, et x º 0, xn ³ 0 kõigi n puhul. Las xn koondub tõenäosusega x-le, kuid konvergentsi peaaegu kindlasti ei toimu. Kas see on siis olemas? > 0, nii et kõigi n Kuid öeldu tähendab ka seda, et kõigi n mis on vastuolus xn konvergentsiga x tõenäosusega. Seega koondub monotoonse jada xn puhul, mis tõenäosusega koondub x-le, ka tõenäosusega 1 (peaaegu kindlasti). Jada xn koondub tõenäosusega x-le. Tõesta, et sellest jadast on võimalik eraldada jada, mis koondub x-le tõenäosusega 1 at. Lahendus. Laskma olla mõned positiivsete arvude jada ja lasta ja olla positiivsed arvud, nii et seeria. Koostame indeksite jada n1 Siis sari Kuna seeria läheneb, siis mis tahes? > 0, ülejäänud seeria kipub nulli. Siis aga kipub nulli ja Tõesta, et mis tahes positiivse järgu keskmine konvergents tähendab tõenäosuse lähenemist. Tooge näide, mis näitab, et vastupidine pole tõsi. Lahendus. Laske jada xn koonduda väärtusele x keskmiselt suurusjärgus p > 0, see tähendab Kasutame üldistatud Tšebõševi ebavõrdsust: meelevaldseks? > 0 ja p > 0 Seda suunates ja arvesse võttes saame selle see tähendab, et xn koondub tõenäosusega x-le. Tõenäosuse konvergents ei too aga kaasa konvergentsi keskmises järjekorras p > 0. Seda illustreerib järgmine näide. Vaatleme tõenäosusruumi áW, F, Rñ, kus F = B on Boreli s-algebra, R on Lebesgue'i mõõt. Määratleme juhuslike muutujate jada järgmiselt: Jada xn läheneb tõenäosusega 0-le, kuna aga iga p > 0 korral see tähendab, et see ei lähe keskmiselt kokku. Olgu, mis kõigile n . Tõesta, et sel juhul koondub xn keskmises ruudus x-le. Lahendus. Pange tähele, et... Teeme hinnangu. Vaatleme juhuslikku muutujat. Lase? - suvaline positiivne arv. Siis kell ja kell. Kui, siis ja. Seega,. Ja sellepärast? suvaliselt väike ja siis at, st keskmises ruudus. Tõesta, et kui xn koondub tõenäosusega x-le, siis tekib nõrk konvergents. Tooge näide, mis näitab, et vastupidine pole tõsi. Lahendus. Tõestame, et kui igas punktis x, mis on pidevuspunkt (see on nõrga konvergentsi vajalik ja piisav tingimus), on väärtuse xn jaotusfunktsioon ja - x väärtus. Olgu x funktsiooni F pidevuspunkt. Kui, siis vähemalt üks võrratustest või on tõene. Siis Samamoodi vähemalt ühe võrratuse või ja puhul Kui, siis nii väikeseks kui soovitakse? > 0 on olemas N, nii et kõigi n > N korral Teisest küljest, kui x on pidevuspunkt, kas on võimalik midagi sellist leida? > 0, mis suvaliselt väikeseks Niisiis, nii väikeseks kui soovite? ja on olemas N nii, et n puhul >N või mis on sama, See tähendab, et lähenemine ja toimub kõigis järjepidevuse punktides. Järelikult tuleneb tõenäosuse konvergentsist nõrk konvergents. Vastupidine väide üldiselt ei kehti. Selle kontrollimiseks võtame juhuslike muutujate jada, mis ei võrdu tõenäosusega 1 ja millel on sama jaotusfunktsioon F(x). Eeldame, et kõigi n suuruste ja on sõltumatud. Ilmselgelt toimub nõrk konvergents, kuna jada kõigil liikmetel on sama jaotusfunktsioon. Kaaluge: |Väärtuste sõltumatusest ja identsest jaotusest järeldub, et Valime kõigi mittedegenereerunud juhuslike muutujate jaotusfunktsioonide hulgast sellise F(x), mis on nullist erinev kõigi piisavalt väikeste ? korral. Siis ei kipu see n piiramatu kasvuga nulli ja tõenäosuse lähenemist ei toimu. 7. Olgu nõrk konvergents, kus tõenäosusega 1 on konstant. Tõesta, et sel juhul koondub see tõenäosusega. Lahendus. Olgu tõenäosus 1 võrdne a. Siis tähendab nõrk konvergents mis tahes konvergentsi. Alates, siis kell ja kell. See tähendab kell ja kell. Sellest järeldub see kellegi jaoks? > 0 tõenäosus kipuvad nulli. See tähendab, et kipub nulli, st läheneb tõenäosusele. 2.2 Keskküttekeskuse probleemide lahendamine Gammafunktsiooni Г(x) väärtus x= juures arvutatakse Monte Carlo meetodil. Leiame minimaalne vajalik arv teste, et tõenäosusega 0,95 võiksime eeldada, et arvutuste suhteline viga on alla ühe protsendi. Kuni meie käsutuses oleva täpsuseni On teada, et Olles teinud muudatuse punktis (1), jõuame lõpliku intervalli integraalini: Meiega seega Nagu näha, saab seda esitada kujul, kus ja jaotub ühtlaselt edasi. Laske läbi viia statistilised testid. Siis on statistiline analoog kogus kus on sõltumatud juhuslikud muutujad ühtlase jaotusega. Samal ajal CLT-st järeldub, et see on parameetritega asümptootiliselt normaalne. See tähendab, et arvutuse suhtelise vea tõenäosusega tagavate testide minimaalne arv ei ole suurem kui võrdne. Vaatleme 2000 sõltumatut identselt jaotatud juhuslikku muutujat, mille matemaatiline ootus on 4 ja dispersioon 1,8. Nende suuruste aritmeetiline keskmine on juhuslik suurus. Määrake tõenäosus, et juhuslik muutuja saab väärtuse vahemikus (3,94; 4,12). Olgu …,… sõltumatute juhuslike muutujate jada, millel on sama jaotus M=a=4 ja D==1,8. Seejärel on CLT rakendatav järjestusele (). Juhuslik muutuja Tõenäosus, et see võtab väärtuse vahemikus (): Kui n = 2000, saame 3,94 ja 4,12 3 Hüpoteeside kontrollimine sõltumatuse kriteeriumi abil Uuringu tulemusena selgus, et 782 heledasilmsel isal on ka heledasilmsed pojad ning 89 heledasilmsel isal on tumedasilmsed pojad. 50 tumedasilmsel isal on ka tumedasilmsed pojad ja 79 tumedasilmsel isal on heledasilmsed pojad. Kas isade silmavärvi ja nende poegade silmavärvi vahel on seos? Võtke usaldustasemeks 0,99. Tabel 2.1 LapsedIsadSum HelesilmsedTumedasilmsed Helesilmsed78279861Tumedasilmsed8950139Sum8711291000 H: Laste ja isade silmavärvi vahel pole mingit seost. H: Laste ja isade silmavärvi vahel on seos. s=k=2 =90,6052 1 vabadusastmega Arvutused tehti Mathematica 6-s. Kuna > , siis tuleks hüpotees H, mis käsitleb isade ja laste silmavärvi vahelise seose puudumist olulisuse tasemel, tagasi lükata ja nõustuda alternatiivse hüpoteesiga H. Märgitakse, et ravimi toime sõltub kasutusviisist. Kontrollige seda väidet tabelis esitatud andmete abil. 2.2 Võtke usaldustasemeks 0,95. Tabel 2.2 Tulemus Kasutusmeetod ABC Ebasoodne 111716 Soodne 202319 Lahendus. Selle probleemi lahendamiseks kasutame kahe tunnuse situatsioonitabelit. Tabel 2.3 Tulemus Taotlusmeetod Summa ABC Ebasoodne 11171644 Soodne 20231962 Summa 314035106 H: ravimite toime ei sõltu manustamisviisist H: ravimite toime sõltub kasutusviisist Statistika arvutatakse järgmise valemi abil s=2, k=3, =0,734626 2 vabadusastmega. Mathematica 6-s tehtud arvutused Jaotustabelitest leiame selle. Sest< , то гипотезу H, про отсутствия зависимости действия лекарств от способа применения, при уровне значимости, следует принять. Järeldus Käesolevas artiklis esitatakse teoreetilised arvutused jaotisest „Sõltumatuse kriteerium“, samuti „Tõenäosusteooria piirteoreemid“, kursusest „Tõenäosusteooria ja matemaatiline statistika“. Töö käigus testiti praktikas sõltumatuse kriteeriumi; Samuti kontrolliti antud sõltumatute juhuslike muutujate jadade puhul keskse piiri teoreemi täitumist. See töö aitas parandada minu teadmisi nende tõenäosusteooria osade kohta, töötada kirjanduslike allikatega ja omandada kindlalt sõltumatuse kriteeriumi kontrollimise tehnikat. tõenäosusliku statistilise hüpoteesi teoreem Linkide loend 1. Tõenäosusteooria ülesannete kogumine koos lahendustega. Uh. toetus / Toim. V.V. Semenets. - Harkov: KhTURE, 2000. - 320 lk. Gikhman I.I., Skorokhod A.V., Yadrenko M.I. Tõenäosusteooria ja matemaatiline statistika. - K.: Vištša kool, 1979. - 408 lk. Ivchenko G.I., Medvedev Yu.I., Matemaatiline statistika: õpik. toetus kolledžitele. - M.: Kõrgem. kool, 1984. - 248 lk., . Matemaatiline statistika: Õpik. ülikoolidele / V.B. Gorjainov, I.V. Pavlov, G.M. Tsvetkova ja teised; Ed. V.S. Zarubina, A.P. Krischenko. - M.: MSTU kirjastus im. N.E. Bauman, 2001. - 424 lk. Vajad abi teema uurimisel?
Meie spetsialistid nõustavad või pakuvad juhendamisteenust teid huvitavatel teemadel. Tõenäosusteooria ja matemaatilise statistika alused Pika suvepuhkuse lõpus on aeg aeglaselt naasta kõrgema matemaatika juurde ja avada pidulikult tühi Verdovi fail, et alustada uue jaotise loomist - . Tunnistan, et esimesed read pole lihtsad, kuid esimene samm on poolel teel, seega soovitan kõigil tutvuda hoolikalt sissejuhatava artikliga, pärast mida on teema valdamine 2 korda lihtsam! Ma ei liialda üldse. …Järgmise 1. septembri eel meenub mulle esimene klass ja aabits…. Tähed moodustavad silpe, silbid moodustavad sõnu, sõnad moodustavad lühikesi lauseid - Ema pesi raami. Pöörde- ja matemaatikastatistika valdamine on sama lihtne kui lugema õppimine! Kuid selleks peate teadma põhitermineid, mõisteid ja nimetusi ning mõningaid konkreetseid reegleid, mida selles õppetunnis käsitletakse. Aga kõigepealt palun võtke vastu minu õnnitlused kooliaasta alguse puhul (jätkamine, lõpetamine, märkige sobiv) ja võtke vastu kingitus. Parim kingitus on raamat ja iseseisvaks tööks soovitan järgmist kirjandust: 1) Gmurman V.E. Tõenäosusteooria ja matemaatiline statistika
Legendaarne õpik, mis on läbinud üle kümne kordustrükki. Seda eristab arusaadavus ja ülilihtne materjali esitus ning esimesed peatükid on täiesti kättesaadavad, ma arvan, et juba 6.-7.klassi õpilastele. 2) Gmurman V.E. Juhend tõenäosusteooria ja matemaatilise statistika probleemide lahendamiseks
Sellesama Vladimir Efimovitši lahendusraamat koos üksikasjalike näidete ja probleemidega. VAJALIKULT laadige mõlemad raamatud alla Internetist või hankige nende paberkandjal originaalid! Töötab ka 60ndate ja 70ndate versioon, mis on mannekeenide jaoks veelgi parem. Ehkki fraas "mannekeenide tõenäosusteooria" kõlab üsna naeruväärselt, kuna peaaegu kõik piirdub elementaarsete aritmeetiliste tehetega. Kohati jätavad nad siiski vahele derivaadid Ja integraalid, kuid seda ainult kohati. Püüan saavutada sama esitusselguse, kuid pean hoiatama, et minu kursus on suunatud probleemide lahendamine ja teoreetilised arvutused on viidud miinimumini. Seega, kui vajate üksikasjalikku teooriat, teoreemide tõestusi (teoreemid-teoreemid!), siis vaadake õpikut. No kes tahab õppida probleeme lahendama tõenäosusteoorias ja matemaatilises statistikas võimalikult lühikese aja jooksul, jälgi mind! Alustuseks piisab =) Artikleid lugedes on soovitatav tutvuda (vähemalt põgusalt) vaadeldavate tüüpide lisaülesannetega. Lehel Valmislahendused kõrgema matemaatika jaoks Postitatakse vastavad pdf-id koos lahendusnäidetega. Samuti osutatakse olulist abi IDZ 18.1 Ryabushko(lihtsam) ja lahendas IDZ Tšudesenko kogu järgi(raskem). 1) Summa kaks sündmust ja sündmust nimetatakse, mis tähendab, et see juhtub või sündmus või sündmus või mõlemad sündmused korraga. Juhul, kui sündmused kokkusobimatu, viimane valik kaob, see tähendab, et see võib tekkida või sündmus või sündmus . Reegel kehtib ka suurema hulga terminite, näiteks sündmuse kohta on see, mis juhtub vähemalt üks sündmustest , A kui sündmused ei sobi kokku – siis üks asi ja ainult üks asi sündmus sellest summast: või sündmus, või sündmus, või sündmus, või sündmus, või sündmus . Näiteid on palju: Sündmused (täringu viskamisel 5 punkti ei ilmu) on see, mis välja tuleb või 1, või 2, või 3, või 4, või 6 punkti. Sündmus (langeb enam mitte kaks punkti) on see, et kuvatakse 1 või 2punktid. Sündmus (punkte on paarisarv) on see, mis ilmub või 2 või 4 või 6 punkti. Sündmus seisneb selles, et kaardipakist tõmmatakse punane kaart (süda). või tamburiin) ja sündmus – et "pilt" ekstraheeritakse (jack või daam või kuningas võiäss). Veidi huvitavam on lugu ühisüritustega: Sündmus seisneb selles, et tekilt loositakse välja klubi või seitse või seitse klubi Vastavalt ülaltoodud määratlusele, vähemalt midagi- või mis tahes klubi või mis tahes seitse või nende "ristmik" - seitse klubi. Lihtne on arvutada, et see sündmus vastab 12 põhitulemusele (9 klubikaarti + 3 ülejäänud seitset). Sündmus on see, et homme kell 12.00 tuleb VÄHEMALT ÜKS kokkuvõttev ühisüritus, nimelt: – või on ainult vihm / ainult äike / ainult päike; See tähendab, et sündmus sisaldab 7 võimalikku tulemust. Sündmuste algebra teine sammas: 2) Töö kaks sündmust ja nimetada sündmuseks, mis seisneb nende sündmuste ühises esinemises, teisisõnu tähendab korrutamine, et teatud asjaoludel Ja sündmus, Ja sündmus . Sarnane väide kehtib ka suurema hulga sündmuste kohta, näiteks annab teos mõista, et teatud tingimustel see juhtub Ja sündmus, Ja sündmus, Ja sündmus, …, Ja sündmus . Mõelge testile, mille käigus visatakse kaks münti
ja järgmised sündmused: – 1. mündile ilmuvad pead; Seejärel: Neid sündmusi on lihtne näha kokkusobimatu (sest näiteks ei saa korraga kukkuda 2 pead ja 2 saba) ja vorm täisgrupp (alates arvesse võetud Kõik kahe mündi viskamise võimalikud tagajärjed). Võtame need sündmused kokku: . Kuidas seda kirjet tõlgendada? Väga lihtne – korrutamine tähendab loogilist sidet JA ja lisaks – VÕI. Seega on summa arusaadavas inimkeeles hästi loetav: “tekkib kaks pead või kaks pead või 1. münt maandub päid Ja 2. saba peal või 1. münt maandub päid Ja 2. mündil on kotkas" See oli näide, kui ühes testis kaasatud on mitu eset, antud juhul kaks münti. Teine levinud skeem praktilistes probleemides on uuesti testimine
, kui näiteks sama täringut veeretatakse 3 korda järjest. Näitena kaaluge järgmisi sündmusi: – 1. viskega saad 4 punkti; Siis üritus on see, et 1. viskega saad 4 punkti Ja 2. viskega saad 5 punkti Ja 3. veeretamisel saad 6 punkti. Ilmselgelt tuleb kuubiku puhul kombinatsioone (tulemusi) oluliselt rohkem kui mündi viskamisel. ...Ma saan aru, et võib-olla pole analüüsitavad näited väga huvitavad, aga need on asjad, millega probleemides sageli kokku puututakse ja millest pääsu pole. Lisaks mündile, kuubik ja kaardipakk, ootavad Sind mitmevärviliste kuulidega urnid, mitmed anonüümsed märklauda tulistavad ja väsimatu töömees, kes pidevalt mingeid detaile välja lihvib =) Sündmuse tõenäosus
on tõenäosusteooria keskne mõiste. ...Tapjalik loogiline asi, aga kuskilt tuli alustada =) Selle definitsioonile on mitu lähenemist:
; Käesolevas artiklis keskendun tõenäosuse klassikalisele definitsioonile, mida kasutatakse õppeülesannetes kõige laiemalt. Nimetused. Teatud sündmuse tõenäosust tähistatakse suure ladina tähega ja sündmus ise on võetud sulgudes, toimides omamoodi argumendina. Näiteks: Samuti kasutatakse väikest tähte laialdaselt tõenäosuse tähistamiseks. Eelkõige võite loobuda sündmuste ja nende tõenäosuste tülikatest määratlustest järgmise stiili kasuks:: – tõenäosus, et mündiviske tulemuseks on pead; See valik on praktiliste probleemide lahendamisel populaarne, kuna võimaldab oluliselt vähendada lahenduse salvestamist. Nagu esimesel juhul, on siingi mugav kasutada “rääkivaid” ala-/üleindekseid. Kõik on juba ammu arvanud numbreid, mille ma just ülal kirjutasin, ja nüüd saame teada, kuidas need välja kukkusid: Teatud testis sündmuse toimumise tõenäosust nimetatakse suhteks, kus: – kõigi koguarv võrdselt võimalik, elementaarne selle testi tulemused kogu ürituste grupp; - kogus elementaarne tulemused, soodne
sündmus. Mündi viskamisel võivad välja kukkuda kas pead või sabad – need sündmused kujunevad täisgrupp, seega tulemuste koguarv; samal ajal igaüks neist elementaarne Ja võrdselt võimalik. Sündmust soosib tulemus (pead). Klassikalise tõenäosuse määratluse kohaselt: . Samamoodi võivad täringu viskamise tulemusena ilmneda elementaarsed võrdselt võimalikud tulemused, mis moodustavad tervikliku rühma ja sündmust soosib üks tulemus (viie viskamine). Sellepärast: SEDA EI OLE AKTSEPTEERITUD TEHA (kuigi protsente oma peas hinnata pole keelatud). Tavapärane on kasutada ühiku murde, ja ilmselgelt võib tõenäosus piires varieeruda. Pealegi, kui , siis sündmus on võimatu, kui - usaldusväärne, ja kui , siis me räägime juhuslik sündmus. ! Kui saate mõne probleemi lahendamisel mõne muu tõenäosuse väärtuse, otsige viga! Tõenäosuse määramise klassikalises lähenemisviisis saadakse äärmuslikud väärtused (null ja üks) täpselt sama arutluskäigu kaudu. Teatud urnist, milles on 10 punast palli, tõmmatakse juhuslikult 1 pall. Mõelge järgmistele sündmustele: ühe katsega ei juhtu vähese tõenäosusega sündmust. Seetõttu ei võida sa loteriis jackpotti, kui selle sündmuse tõenäosus on näiteks 0,00000001. Jah, jah, see oled sina – ainsa piletiga konkreetses tiraažis. Suurem arv pileteid ja suurem arv joonistusi teid aga palju ei aita. ...Kui ma sellest teistele räägin, kuulen peaaegu alati vastuseks: "aga keegi võidab." Olgu, teeme siis järgmise katse: palun ostke täna või homme suvalise loterii pilet (ärge viivitage!). Ja kui võidad... noh, vähemalt üle 10 kilorublase, siis pane kindlasti kirja – ma selgitan, miks see juhtus. Protsendi eest muidugi =) =) Aga kurvastada pole vaja, sest on vastupidine põhimõte: kui mõne sündmuse tõenäosus on väga lähedane ühele, siis ühel katsel peaaegu kindel juhtub. Seetõttu pole enne langevarjuga hüppamist vaja karta, vastupidi, naerata! Mõlema langevarju ebaõnnestumiseks peavad ju tekkima täiesti mõeldamatud ja fantastilised asjaolud. Kuigi see kõik on luule, võib olenevalt sündmuse sisust esimene põhimõte osutuda rõõmsaks, teine aga kurvaks; või isegi mõlemad paralleelsed. Võib-olla sellest praegu klassis piisab Klassikalised tõenäosusprobleemid saame valemist maksimumi. Selle artikli viimases osas käsitleme ühte olulist teoreemi: Täieliku rühma moodustavate sündmuste tõenäosuste summa on võrdne ühega. Jämedalt öeldes, kui sündmused moodustavad tervikliku rühma, siis 100% tõenäosusega juhtub üks neist. Lihtsamal juhul moodustavad täieliku rühma vastupidised sündmused, näiteks: – mündiviske tulemusena tekivad pead; Vastavalt teoreemile: On täiesti selge, et need sündmused on võrdselt võimalikud ja nende tõenäosus on sama . Tõenäosuste võrdsuse tõttu nimetatakse sageli võrdselt võimalikke sündmusi sama tõenäoline
. Ja siin on keeleväänaja joobeastme määramiseks =) Näide kuubikuga: sündmused on seega vastupidised . Vaadeldav teoreem on mugav selle poolest, et võimaldab kiiresti leida vastupidise sündmuse tõenäosuse. Seega, kui viie veeremise tõenäosus on teada, on lihtne arvutada tõenäosus, et seda ei veereta: See on palju lihtsam kui viie elementaarse tulemuse tõenäosuste kokkuvõtmine. Muide, elementaarsete tulemuste puhul kehtib ka see teoreem: !
Tõenäosusteoorias on tähtede kasutamine muudel eesmärkidel ebasoovitav. Teadmiste päeva auks ma kodutöid ei anna =), kuid on väga oluline, et saaksite vastata järgmistele küsimustele: - Mis tüüpi üritusi eksisteerib? Ei, te ei pea midagi kokku toppima, need on lihtsalt tõenäosusteooria põhitõed - omamoodi aabits, mis mahub kiiresti teie pähe. Ja et see juhtuks võimalikult kiiresti, soovitan teil tundidega tutvuda kõikide erialade 2. kursuse üliõpilastele Kõrgema matemaatika osakond Kallid õpilased! Juhime teie tähelepanu professor N. Sh Kremeri ülevaate (sissejuhatavale) loengule distsipliinist "Tõenäosusteooria ja matemaatiline statistika" VZFEI teise kursuse üliõpilastele. Loengus arutletakse ülesandeidõppides majandusülikoolis tõenäosusteooriat ja matemaatilist statistikat ning tema koht kaasaegse majandusteadlase koolitamise süsteemis peetakse silmas organisatsioon
sõltumatu antakse õpilaste tööd arvutipõhise koolitussüsteemi (CTS) ja traditsiooniliste õpikute abil ülevaade peamistest sätetest see kursus, samuti metoodilised soovitused selle õppimiseks. Majandusülikoolis õpitud matemaatikadistsipliinidest on erilisel positsioonil tõenäosusteooria ja matemaatiline statistika. Esiteks on see statistiliste distsipliinide teoreetiline alus. Teiseks kasutatakse uuringus otseselt tõenäosusteooria ja matemaatilise statistika meetodeid massiagregaadid vaadeldud nähtusi, vaatlustulemuste töötlemist ja juhuslike nähtuste mustrite tuvastamist. Lõpuks on tõenäosusteoorial ja matemaatilisel statistikal oluline metodoloogiline tähtsus kognitiivne protsess, kui tuvastada üldine muster uurinud toimib loogilisena alusel induktiiv-deduktiivne arutluskäik. Igal teise kursuse üliõpilasel peab distsipliinis "Tõenäosusteooria ja matemaatiline statistika" olema järgmine komplekt (juhtum): 1.
Ülevaade orienteerumisloeng selles distsipliinis. 2.
Õpik N.Sh. Kremer “Tõenäosusteooria ja matemaatiline statistika” - M.: UNITY - DANA, 2007 (edaspidi nimetame seda lihtsalt “õpikuks”). 3.
Õppe- ja metoodiline käsiraamat“Tõenäosusteooria ja matemaatiline statistika” / toim. N.Sh. Kremer. – M.: Ülikooli õpik, 2005 (edaspidi “käsiraamat”). 4.
Arvuti koolitusprogramm distsipliini COPR (edaspidi "arvutiprogramm"). Instituudi veebilehel "Ettevõtte ressursid" on üles pandud arvutiprogrammi KOPR2 veebiversioonid, ülevaateloeng ja juhendi elektrooniline versioon. Lisaks esitletakse arvutiprogrammi ja juhendit aadressil
CD
-
ROM
ah teise kursuse õpilastele.
Seetõttu peab “paberkujul” õpilasel olema vaid õpik. Selgitagem iga kindlaksmääratud komplektis (juhtumis) sisalduva õppematerjali eesmärki. Õpikus on välja toodud distsipliini õppematerjali põhisätted, mida illustreerib piisavalt suur hulk lahendatud probleeme. IN kasu Antakse metoodilised soovitused õppematerjali iseseisvaks õppimiseks, tõstetakse esile kursuse olulisemad mõisted ja tüüpilised ülesanded, antakse selle distsipliini enesetestimise testiküsimused, kodutestide võimalused, mida õpilane peab täitma, samuti metoodilised. antakse juhised nende rakendamiseks. Arvutiprogramm on loodud selleks, et pakkuda teile maksimaalset abi kursuse valdamisel režiimis dialoogi programmi koos õpilasega, et võimalikult suurel määral kompenseerida teie puudulikku klassiruumi koolitust ja sobivat kontakti õpetajaga. Kaugõppesüsteemis õppiva üliõpilase jaoks on esmane ja määrav tähtsus iseseisva töö korraldamine. Selle distsipliiniga õppima asudes lugege see ülevaatlik (sissejuhatav) loeng lõpuni. See võimaldab teil saada üldise ettekujutuse kursusel "Tõenäosusteooria ja matemaatiline statistika" kasutatavatest põhikontseptsioonidest ja meetoditest ning VZFEI üliõpilaste koolitustaseme nõuetest. Enne iga teema uurimist Lugege juhendist selle teema õppimise juhiseid. Siit leiate selleteemaliste haridusküsimuste loendi, mida uurite; saate teada, millised mõisted, definitsioonid, teoreemid, probleemid on kõige olulisemad, mida tuleb kõigepealt uurida ja omandada. Seejärel jätkake õppimist põhiline õppematerjalõpiku järgi vastavalt saadud metoodilistele soovitustele. Peamiste definitsioonide, teoreemide väidete, nende tõestuste skeemide, valemite ja tüüpiliste probleemide lahenduste kohta soovitame teha eraldi märkmikusse märkmed. Valemid on soovitav kirjutada iga kursuse osa jaoks spetsiaalsetesse tabelitesse: tõenäosusteooria ja matemaatiline statistika. Märkmete, eriti valemitabelite regulaarne kasutamine aitab neid meelde jätta. Alles pärast õpikus iga teema põhiõppematerjali läbitöötamist saab liikuda selle teema õppimise juurde arvutikoolitusprogrammi (KOPR2) abil. Pöörake iga teema puhul tähelepanu arvutiprogrammi ülesehitusele. Teema nimetuse järel on õpiku teema põhiliste haridusküsimuste loetelu, mis näitab läbimist vajavate lõikude ja lehekülgede arvu. (Pidage meeles, et juhendis on ka nende küsimuste loend iga teema kohta). Seejärel antakse lühidalt selle teema (või selle teema üksikute lõikude) viitematerjal - põhidefinitsioonid, teoreemid, omadused ja omadused, valemid jne. Teemat õppides saab ekraanile kuvada ka need teatmematerjali killud (selle või varasemate teemade kohta), mida parasjagu vaja läheb. Seejärel pakutakse teile koolitusmaterjali ja loomulikult standardülesandeid ( näited), mille lahendust vaadeldakse režiimis dialoogi programmid koos õpilasega. Paljude näidete funktsioonid piirduvad õpilase soovil õige lahenduse etappide kuvamisega ekraanil. Samal ajal esitatakse teile enamiku näidete kaalumise käigus üht või teist laadi küsimusi. Mõne küsimuse vastused tuleks sisestada klaviatuuri abil. numbriline vastus, teistele - vali õige vastus (või vastused) mitmest pakutud. Sõltuvalt teie sisestatud vastusest kinnitab programm selle õigsust või soovitab pärast vajalikke teoreetilisi põhimõtteid sisaldava vihje lugemist uuesti proovida õige lahenduse ja vastuse andmiseks. Paljudel ülesannetel on lahenduskatsete arv piiratud (kui see piir on ületatud, kuvatakse ekraanil tingimata õige lahenduskäik). On ka näiteid, kus ebaõnnestunud vastamiskatsete kordumisel suureneb vihjes sisalduva info hulk. Olles tutvunud õppematerjali teoreetiliste põhimõtetega ja näidetega, mis on varustatud lahenduse üksikasjaliku analüüsiga, tuleb sooritada enesekontrolliharjutused, et kinnistada oma oskusi iga teema tüüpprobleemide lahendamisel. Enesekontrolliülesanded sisaldavad ka õpilasega dialoogi elemente. Pärast lahenduse täitmist saad vaadata õiget vastust ja võrrelda seda enda antud vastusega. Iga teema töö lõpus peaksite täitma kontrollülesandeid. Nende õigeid vastuseid teile ei kuvata ja teie vastused salvestatakse arvuti kõvakettale, et õpetaja-konsultant (juhendaja) neid hiljem üle vaadata. Pärast teemade 1–7 läbimist tuleb sooritada kodutest nr 3 ja pärast teemade 8–11 läbimist kodutest nr 4. Nende testide variandid on toodud juhendis (selle elektrooniline versioon). Täitatava valiku number peab ühtima teie isikliku toimiku numbri (hinneraamat, õpilaspilt) viimase numbriga. Iga testi jaoks tuleb läbida intervjuu, mille käigus tuleb demonstreerida oma ülesannete lahendamise oskust ja põhimõistete (definitsioonid, teoreemid (ilma tõestuseta), valemid jne) tundmist testi teemal. Distsipliini õpe lõpeb kursuseeksamiga. Tõenäosusteooria on matemaatikateadus, mis uurib juhuslike nähtuste mustreid. Õppimiseks pakutav distsipliin koosneb kahest osast “Tõenäosusteooria” ja “Matemaatiline statistika”.Õpetamine
Esitage oma taotlus märkides teema kohe ära, et saada teada konsultatsiooni saamise võimalusest.
– või toimub ainult mõni sündmustepaar (vihm + äike / vihm + päike / äike + päike);
– või kõik kolm sündmust ilmuvad korraga.
– 1. münt maandab päid;
– 2. mündile ilmuvad pead;
– 2. münt maandab pead.
Ja 2.) ilmuvad pead;
– sündmus on see, et mõlemal mündil (1 Ja 2.) see on pead;
– sündmus on see, et 1. münt maandub päid Ja 2. münt on sabad;
– sündmus on see, et 1. münt maandub päid Ja 2. mündil on kotkas.
– 2. viskega saad 5 punkti;
– 3. viskega saad 6 punkti.Sündmuse tõenäosus
Tõenäosuse geomeetriline määratlus
;
Tõenäosuse statistiline määratlus
.
– tõenäosus, et täringuvise annab 5 punkti;
– tõenäosus, et kaardipakist tõmmatakse klubi masti kaart.Klassikaline tõenäosuse määratlus:
– mündiviske tulemuseks on pead.
. Näiteks kui on tõenäosus, et laskur tabab sihtmärki, siis on tõenäosus, et ta tabab märki.
– Mis on sündmuse juhus ja võrdne võimalus?
– Kuidas te mõistate mõisteid sündmuste ühilduvus/ühildumatus?
– Mis on täielik sündmuste rühm, vastandlikud sündmused?
– Mida tähendab sündmuste liitmine ja korrutamine?
– Mis on tõenäosuse klassikalise definitsiooni olemus?
– Miks on tervikliku rühma moodustavate sündmuste tõenäosuste liitmise teoreem kasulik?Sissejuhatav osa