- •Содержание
- •Введение
- •Аксиомы, определяющие вероятность
- •Законы тождества
- •Определения вероятности
- •Понятие об условной вероятности
- •Теорема Байеса
- •Случайные величины и их законы распределения
- •Плотность распределения
- •Свойства функции распределения
- •Свойства плотности распределения
- •Числовые характеристики случайных величин
- •Математическое ожидание числа появления события в одном опыте. Закон распределения
- •Свойства математического ожидания
- •Характеристики рассеяния
- •Свойства дисперсии
- •Стандартные распределения дискретных случайных величин
- •Проверка статистических гипотез
- •Алгоритм проверки статистических гипотез
- •Стандартные распределения непрерывных случайных величин
- •Этапы моделирования непрерывных случайных величин
- •Локальная и интегральная теоремы Лапласа
- •Локальная теорема
- •Интегральная теорема
- •Система случайных величин
- •Интегральная функция распределения
- •Дифференциальная f(X) для непрерывных случайных величин (двумерная плотность вероятности)
- •Моменты двумерной выборки
- •Центральная предельная теорема
- •Метод статистических испытаний, или метод Монте-Карло
- •Задача о «случайном блуждании»
- •Статистические оценки параметров распределения случайных величин
- •Доверительные границы
- •Плотность распределения
- •Распределение Стьюдента (Госсета) или t-распределение
- •Распределение Фишера
- •Модели дисперсионного анализа
- •Однофакторный дисперсионный анализ
- •Двухфакторный дисперсионный анализ, двойная группировка
- •Модели непараметрической статистики Априорное ранжирование факторов
- •Краткие выводы по курсу
Стандартные распределения непрерывных случайных величин
Основными являются следующие распределения:
Равномерное f(x)=0, если x<a
0, если x>a
c, если a≤x≤b
Э
то
распределение симметричное, то есть
все характеристики положения
(математическое ожидание, мода, медиана)
принадлежат одному значению.
- распределение плосковершинное.
Здесь два параметра распределения (a и b).
Нормальное распределение:
где a и σ – параметры
р
аспределения.
а
– математическое ожидание, σ
– среднее квадратическое отклонение.
Судя по формуле это распределение
симметрично относительно a.
Кроме того, достигается max
f(x)
в точке x=a,
значит, математическое ожидание совпадает
с модой. Нетрудно заметить, что совпадает
и с медианой.
Анализ σ показывает, что при малых значениях σ распределение будет островершинным, при больших – плосковершинным, приближающимся к равномерному.
Вид кривой Гаусса:
f(x)
a(+-)σ=0,05
a(+-)σ-Sфиг=0,95
a
Указанные закономерности называются правилами двух сигм и трех сигм. Асимметрия равна 0. Эксцесс равен 3 или 0.
Выделяется распределение Гаусса с A=0 и σ=1. Такая величина называется стандартной и приведена в таблице.
Показательное (экспоненциальное) распределение: f(x)=μe-μx, если x≥0
f(x)
μ
x
F(x)
1
x
F(x)=1-e-μx
A=2
E
=9
Отсюда можно выделить основное свойство показательного распределения, а именно Mx, экспоненциально распределенной величины равно среднему квадратическому отклонению.
При исследовании моделей непрерывных случайных величин можно использовать еще один критерий согласия, а именно критерий согласия Колмогорова. Он применяется только для непрерывных случайных величин и рассматривает непрерывную интегральную функцию распределения. Строится новая характеристика |Fвыб(x)-Fтеор(x)|. Далее выбирается максимальное значение этой разности Dв=max |Fвыб(x)-Fтеор(x)|.
Для этой случайной величины Колмогоров установил вид распределения, которое было названо распределением Колмогорова. Оно выражает предельную вероятность того, что значение Dвыборки∙√n не будет превосходить некоторого заданного числа:
Существует таблица значений функций 1-K(λ). Это вероятность того, что p(DB∙√n>λ). Чтобы применить критерий Колмогорова нужно проверить значение 1-K(λ0)=max DB∙√n. Если значение 1-K(λ0) будет не более 0,05, то это показывает осуществление маловероятного события, поэтому расхождение между выборкой и выравнивающим распределением будет существенным, или значимым, иначе выборочные данные хорошо согласуются с моделью закона распределения. При анализе показательно распределенной непрерывной случайной величины следует помнить о том, что максимально вероятное значение с Mx равным 0 можно получить для статистики отклонения.
