- •3.Класичне , геометричне, статистичне означення ймовірності
- •5.Теорема додавання ймовірностей
- •6.Залежні та незалежні події. Умовна ймовірність
- •21.Математичне сподівання дискретної випадкова величина. Властивості математичного сподівання
- •24.Функція розподілу ймовірностей неперервної випадкової величини, її властивості та графік
- •25.Щільність розподілу ймовірностей неперервної випадкової величини, її властивості та графік.
- •29.Нормальний розподіл, його властивості
- •30.Багатовимірність випадкової величини
- •31.Функції від випадкових величин. Розподіл 2, Студента, Фішера
- •35.Закон великих чисел. Нерівність Чебишева. Теорема Бернуллі, та їх практичне значення
- •39.Числові характеристики статистичного розподілу вибірки. Початкові та центральні вибіркові моменти
- •47.Двовимірний статистичний розподіл вибірки і його числові характеристики. Кореляційна таблиця.
- •48.Умовні статистичні розподіли вибірки,їх числові характеристики.
- •49.Статистична і кореляційна залежність. Функції та лінії регресії
- •50.Парна лінійна регресія. Вибірковий коефіцієнт кореляції та його властивості
- •52.Лінійна регресія для двовимірного статистичного розподілу
- •54.Поняття про нелінійну регресію. Кореляційні відношення та їх властивості.
54.Поняття про нелінійну регресію. Кореляційні відношення та їх властивості.
25. кореляція є залежністю двох випадкових величин. При цьому, зміна однієї або кількох цих величин призводить до систематичної зміни іншої або інших величин. Математичною мірою кореляції двох випадкових величин слугує коефіцієнт кореляції.
Кореляція може бути позитивною та негативною (можлива також ситуація відсутності статистичного зв'язку - наприклад, для незалежних випадкових величин). Від'ємна кореляція – кореляція, при якій збільшення однієї змінної пов'язане зі зменшенням іншої, при цьому коефіцієнт кореляції від'ємний. Додатна кореляція – кореляція, при якій збільшення однієї змінної пов'язане зі збільшенням іншої, при цьому коефіцієнт кореляції додатній.
Якщо
в рівняння множинної регресії змінні
входять як
,
то регресія називається нелінійною.
У загальному випадку нелінійна регресія записується в такому вигляді:
де
параметри
є
сталими невідомими величинами, які
підлягають статистичним оцінкам, а
— випадкова величина, яка має нормальний
закон розподілу з числовими характеристиками
і при цьому випадкові величини
між собою не корельовані. Реалізуючи
вибірку обсягом n,
згідно з (563), дістанемо систему нелінійних
рівнянь виду:
27. Закон великих чисел.
Закон великих чисел в теорії імовірностей стверджує, що емпіричне середнє (арифметичне сeреднє) скінченної вибірки із фіксованого розподілу близьке до теоретичного середнього (математичного сподівання) цього розподілу. В залежності від виду збіжності розрізняють слабкий закон великих чисел, коли має місце збіжність за ймовірністю, і посилений закон великих чисел, коли має місце збіжність майже скрізь.
Завжди знайдеться така кількість випробувань, при якій з будь-якою заданою наперед імовірністю частота появ деякої події буде якзавгодно мало відрізнятися від її імовірності.
Слабкий закон великих чисел
Нехай
є нескінченна послідовність однаково
розподілених і некорельованих випадкових
величин
,
визначених на одному імовірносному
просторі
.
Їх коваріація
.
Нехай
.
Позначимо
вибіркове
середнє
перших
членів:
.
Тоді
.
Посилений закон великих чисел
Нехай є нескінченна послідовність незалежних однаково розподілених випадкових величин , визначених на одному ймовірнісному просторі . Нехай . Позначимо вибіркове среднє перших членів:
.
Тоді
майже
напевно.
Різниця між слабким і посиленим законами великих чисел
Слабкий
закон стверджує, що для великого числа
n,
середнє значення
правдоподібно
є близько до μ.
Отже, залишається можливість того, що
трапляється
нескінченну кількість разів, хоча й на
рідкісних інтервалах.
Посилений
закон стверджує що це майже напевно не
станеться. Зокрема, це означає що з
імовірністю 1, для кожного ε
> 0 нерівність
виконується
для всіх достатньо велеких n.
28. Центральна гранична теорема.
Для послідовності випадкових величин 1) розглянемо:
Теорема 1. Якщо випадкові величини в послідовності (1) незалежні, однаково розподілені і для них існують моменти другого порядку, то
(2)
тобто
граничним розподілом для
є нормальний закон розподілу з нульовим
математичним сподіванням і одиничною
дисперсією.
