Автор работы: Пользователь скрыл имя, 16 Мая 2011 в 15:06, шпаргалка
Работа содержит ответы на вопросы по дисциплине "Статистика".
-ковариационная матрица (
№15.Коэффициент корреляции как характеристика статистической связи. Некоррелицированность и независимость с.в.
В качестве
меры линейной зависимости между случ.
величинами X и Y используют коэффициент
корреляции, вычисляемый по формуле
Св-ва коэфиициента
корреляции: 1.
Док-во: рассмотрим систему 2-ух случ.
вел: (X,Y) Проведем нормировку (стандартизацию),
т.е. M[X]= mx
D[X]=σx2
Xxнормиров=(x-mx)/σx Нормированная
величина – это тогда, когда M[Y]=my
D[Y]= σy2
Yyнормиров= (y-my)/σy mч=0,
а σx=1 Cov(Xx,Yy)=M[{(x-mx)/σx}]*M[{(
2. Если X и Y – незав. случ. вел, то
№18.Функции случайных величин. Функции дискретных случайных величин. Если каждому возможному значению случайной величины Х соответствует одно возможное значение случайной величины Y, то Y называют функцией случайной величины Х y=φ(x)
|
Функции непрерывных случайных величин
y=φ(x) – непрерывная дифференцируемая монотонная ф-ция
1.Монотонно возрастает (Лекции 13 рисунок)
{y<Y}равносильно{x<X}
{x<X}: Fx(x)=P(x<X)= - ф-ция распределения
P(y<Y)=Gy(y)-ф-ция
распределения
2.Монотонно убывает
(Лекции 13 рисунок)
X>x
P(y>Y)=Gy(y)
Функция плотности вероятности для
функции случайной величины y=φ(x) -
Математическое
ожидание y=φ(x) 1. Пусть X- дискрет случ.
вел, тогда yn= φ(xn)
;
2. Пусть X –непрер. Случ. Вел
Для вычисления
числовых характеристик неслучайной
ф-ции случайной величины не надо
знать закона распределения зависящей
от X случайной величины Y, а достаточно
знать закон распределения
Пример.
X=y3
x | -2 | -1 | 0 | 1 | 2 |
P | 0.1 | 0.15 | 0.3 | 0.05 | 0.4 |
X→Y
x | -8 | -1 | 0 | 1 | 8 |
P | 0.1 | 0.15 | 0.3 | 0.05 | 0.4 |
x | 0 | 1 | 4 |
P | 0.3 | 0.2 | 0.5 |
Y=x2
№16.Системы 2-ух непрерывных случ. вел. Определение ф=ции распределения и плотности, условные распределения, зависимость и независимость случ. вел. Числовые характеристики.
Пусть на вероятностном пр-ве (Ω,F,P) заданы
непрерывные случ. вел X1=X1(ω), X2=X2(ω),.., Xn=Xn(ω),
ωÎΩ.
Опр Совместной ф-цией
распределения F(x1, x2,…, xn)
случ. вел X1,X2,..,Xn наз-ся вероятность события
[X1<x1;X2,x2;…;Xn<xn]: F(x1, x2,…, xn)
=P [X1<x1;X2,x2;…;Xn<xn] Фукция распределения:
F(X,Y)=P[X<x,Y<y] Если пользоваться геом.
интерпретацией системы образом случ.
точки, то ф-ция распред. есть не что иное,
как вер-ть попадания случ точки (X,Y) в бесконечный
квадрат с вершиной в точке (x,y), лежащий
левее и ниже ее. 1.Ф-ция распред. Есть неубывающая
ф-ция обоих своих аргументов,т.е при x2>x1,
F(x2,y)≥ F(x1,y) при y2>y1 F(x,y2) ≥F(x,y1) 2.Повсюду
на -∞ ф-ция распред. равна нулю: F(x,- ∞
)= F(-∞ ,y)= F(-∞ ,- ∞ )=0 3. F(x,+ ∞ )=F1(x), F(+∞ ,y)=F2(y)
4. F(+∞ ,+ ∞ )=1 Неотрицательная ф-ция n переменных
f(x1, x2,…, xn) наз-ся совместной
плотностью распределения
случ. величин X1,X2,..,Xn , если их совместная
ф-ция распределения может быть представлена
в виде F(x1, x2,…, xn) =Геометрически
функцию f(x,y) можно изобразить некоторой
поверхностью – поверхность распределения.
Если пересечь поверхность распред. Плоскостью,
перелелльной плоскости XOY, и спроектировать
полученное сечение на плоскость XOY, получится
кривая, в каждой точке которой плотность
расред. постоянна. Плотность распределения
имеет след. св-ва: 1. f(x1, x2,…,
xn) ≥; (это ясно из того, что плотность
распред. есть предел отношения двух неотриц.
величин: вероятности попадания в прямоугольник
и площади прямоугольника) 2.
; (геометрически это cв-во означает
,что полный объем тела, ограниченного
поверхностью распределения и плоскостью
XOY равен едицице.) 3.Если ф-ция определена,
вектор попадет в некоторую область,тогда
вер-ть определяется: P[(x1,x2,..,xn)ÎG]=
(геометрически вер-ть попадания в область
G изображается объемом цилиндрического
тела, ограниченного сверху поверхностью
распред и опирающегося на область G. Зная
совместную плотность распределения f(x1,
x2,…, xn) случ. вел X1,X2,..,Xn
можно найти плотность распред. каждой
случ. вел. Для двумерного вектора (X1,X2)
с плотностью f(x1, x2) распределение
случ. вел X1, f1(x1) равна f1(x1)
=
, а плотность распред. случ. вел. X2,
f2(x2) равна f2(x2)
=
Опр Случ. величины X1,X2,..,Xn наз-ся
независимыми, если для любых действительных
переменных x1, x2,…, xn,
F(x1, x2,…, xn) =F1(x1)*
F2(x2)*…* Fn(xn), где Fi(xi)-ф-ция
распред. случ. вел Xi, i=1,2..,n Равносильное
определение независимости случайных
величин X1,X2,..,Xn записывается так
f(x1, x2,…, xn) =f1(x1)*
f2(x2)*…* fn(xn), где
fi(xi)-плотность распред. случ
вел. Xi, i=1,2..,n f1(x)=
f2(y)=
X и Y независимы, если
f(X,Y) = f1(x)* f2(y) X и Y независимы, если f(X/Y)= f1(x); f(Y/X)= f2(y) Условные плотности распределения. Распределение Y, если X принимает какое-либо значение f(Y/X) Распределение X, если Y принимает какое-либо значение f(X/Y) Условная ф-ция и распределения. Распред. X, при условии Y=y
f(X/y)=f(x,y)/f2(y) f(Y/x)= f(x,y)/f1(x)
Числовые характеристики: 1. Мат ожидание:
2.Дисперсия
Св-ва:
M[X+Y]=M[X]+M[Y] M[X*Y]=M[X]*M[Y], если X и Y независимые
D[X+Y]]=D[X]+D[Y], если X и Y независимые
3.Ковариация
4.Коэффициент корреляции
(Св-ва ковариации билет 13, св-ва корреляции билет 15)
№17.Нормальный закон на плоскости.
Двумерное нормальное распределение –это распределение системы двух случайных величин (X,Y) с плотностью распределения f(x,y), определяемой формулой.
Плотность распределения случ. вел X, f1(x), вычисляется интегрированием f(x,y) по y:
Аналогично вычисляется
Формула (1) показывает,что
в случае двумерного
Ковариация X и Y равна
cov(X,Y)=M[(X-m1)(Y-m2)]= = Отсюда следует,что параметр ρ в (1) есть коэффициент корреляции
Св-ва:
1.Если (X,Y) имеет норм. распред.:
Каждая компоненты
этого распределения также
2. Если ρ=0 => f(x,y)= f1(x) ´ f2(x) => X и Y – независимые
3.Условная плотность распределения:
f(X/y) и f(Y/x) – нормальные плотности
Геометрически плотность f(x,y) двуменого нормального распределения (1) представляет «холмообразную » поверхность. Проекция вершины холма на плоскость xOy имеет координаты (m1, m2) Эта точка называется центром рассеивания.
Сечение поверхности Z=f(x,y) плоскостями , параллельными плоскости xOy, есть кривые, определяемые ур-нием:
, где λ – const. Проекциями
этих кривых на плоскость
Эллипсы равных
вероятностей имеют общий центр
– центр рассеивания с
№19. Функции нескольких случайных величин. Вычисление мат ожиданий и дисперсий для суммы случайных величин.
1.Математическое ожидание
2.Дисперсия
Св-ва мат. ожидания и дисперсии:
1.M[X+Y] = M[X] + M[Y]
2.M[X*Y] = M[X] * M[Y]
3.D[X+Y] = D[X] + D[Y]
3.Коэффициент ковариации
Св-ва мат. ожидания и дисперсии:
1.Если X и Y независимы, то Cov(X,Y) = 0 (обратное неверно!)
2.Cov(aX,bY) = ab*Cov(X,Y), где a и b – константы
3.Cov(X,Y)
4.Коэффициент корреляции
Св-ва мат. ожидания и дисперсии:
1.|ρ(X,Y)| ≤ 1, этот результат следует из свойства 3 для ковариации случайных величин X и Y.
2.Если Х и Y – независимые случайные величины, то ρ(X,Y) = 0 (по свойству 1 для ковариации)
3.Если X и Y связаны линейной функциональной зависимостью: Y=aX + b, где a и b – константы, а ≠ 0, то |ρ(X,Y)| = 1
21. Теорема Бернулли.
Пусть А – случайный исход некоторого экспериментов, P(A)=p – вероятность этого исхода. Предположим, что эксперимент повторяется n раз в неизменных условиях (т.е. вероятность Р(А)=р не изменяется при повторении экспериментов). Тогда относительная частота появление события А при n -> ∞ сходится по вероятности к р:
где n – общее число исходов,
m – число благоприятных исходов,
p – вероятность появления случ. величины.
Док-во:
Пусть Причем P[Xi=1]=p , а P[Xi=0]=q .
Вычислим математическое ожидание случайной величины Xi:
M[Xi] = 1*p + 0*q = p
И математическое ожидание их среднего арифметического:
Случайные величины Xi , i=1…n по условию взаимно независимы, а их среднее арифметическое есть относительная частота появления события А в середине n экспериментов
Теорема
Бернулли дает математическое обоснование
экспериментальным результатам, в
которых наблюдается
Устойчивость среднего арифметического можно объяснить тем, что случайное отклонения от среднего, неизбежные в каждом отдельном результате, в массе однородных результатов взаимно поглощаются, нивелируются, выравниваются. Вследствие этого средний результат фактически перестает быть случайным и может быть предсказан достаточно точно.
№20. Центральная предельная теорема. Теорема Муавра-Лапласа. Асимптотическое распределение среднего арифметического случайных величин.
Центральная предельная
Одна из формулировок: Пусть X1…Xn…
- независимые и одинаково распределенные
случайные величины с мат.ожиданием m и
дисперсией σ2. Рассмотрим величину
X=X1+…+Xn, при n->∞ функция распределения
случайной величины
имеет нормальное распределение N(0,1) и равномерно по х сходится к функции распределения стандартного нормального закона Φ(х), где
Формулировка Ляпунова Пусть X1…Xn… - независимые и одинаково распределенные случайные величины с мат.ожиданием m и дисперсией σ2.
<