- •1.Уравнение в частных производных
- •2.Основные типы уравнений
- •3.Линейное однородное ду в частных производных первого порядка
- •4.Вывод уравнения колебаний струны методом Фурье
- •5.Задачи Коши
- •6.Решение уравнений колебаний струны методом Фурье
- •7.Решение волнового уравнения методом д′Аламбера
- •8.Уравнение теплопроводности для однородного стержня
- •9.Уравнение теплопроводности в пространстве
- •10.Распростронение тепла в неограниченном стержне. Интервал Пуасснова
- •11.Задачи приводящие к уравнению Лапласа
- •12.Задачи Неймана и Дирихле
- •Внешняя задача Неймана
- •13.Решение задачи Дирихле для уравнения Лапласа в круге методом Фурье
- •14.Случайное событие. Относительная частота случайного события. Вероятность события.
- •15.Теорема я.Бернулли
- •16.Совместные и несовместимые события. Полная группа парами несовместимых событий
- •17.Геометрическая интерпретация событий
- •18.Операции над событиями
- •19.Аксиомотическое определение вероятности
- •20.Теорема о сложении вероятностей. Примеры
- •21.Геометрическая интерпретация вероятностей. Вывод формулы для суммы совместимых событий
- •22.Умножение вероятностей
- •23.Условная вероятность
- •Определение
- •Замечания
- •24.Полная вероятность. Формула Байеса
- •25.Дискретные случайные величины и их характеристики
- •26.Относительная частота и вероятность для дискретных случайных величин
- •27.Математическое ожидание дискретной случайной величины
- •28.Дисперсия, средневековое отклонение, моменты дискретной случайной величины
- •Определение
- •Замечания
- •Свойства
- •29.Непрерывные случайные величины. Функция распределения и плотности вероятности
- •30.Теорема о связи функции распределения с плотностью вроятности
- •31.Интегральный закон распределения. Интегральная кривая
- •32.Числовые характеристики непрерывных случайных величин
- •33.Медиана и мода
- •34.Нормальный закон распределения
- •35.Медиана и мода нормального закона распределения
- •36.Интеграл вероятностей
- •37.Свойства интеграла вероятностей
- •38.Функция Лапласа
- •39.Среднее отклонение и средняя ошибка
- •40.Приведенная функция Лапласа
- •41.Правило трех сигм
- •42.Закон больших чисел. Предельные теоремы
- •43.Задачи математической статистики. Выборка, эмпирическая функция распределения
- •44.Статистический ряд и гистограмма
- •45.Среднее взвешенное и статистическая дисперсия
- •46.Точечные оценки
- •47.Распределение Пуасона
- •48.Распределение Стьюдента
- •49.Основные свойства точечной оценки
- •50.Исправленная выборочная дисперсия
- •51.Стандартная ошибка среднего арифметического
- •52.Интервальные оценки параметров распределения
- •53.Доверительный интервал, границы
- •54.Проверка статистических гипотез
- •55.Корреляционный анализ
- •56.Регрессионный анализ
44.Статистический ряд и гистограмма
Статистический ряд
Пусть выборка содержит m различных чисел , где и , причём число встречается в выборке раз, . Так бывает либо тогда, когда генеральная совокупность - дискретная случайная величина, либо когда X - непрерывна, но её значения при измерении округляют.
Число называют частотой элемента выборки , а отношение - относительной частотой этого элемента.
Статистическим рядом для данной выборки называют таблицу, которая в первой строке содержит значения выборки (напомним: ), во второй строке – частоты , а в третьей строке – относительные частоты этих значений:
Статистические данные, представленные в виде статистического ряда, называют группированными.
Гистограмма относительных частот
Графическим представлением статистического ряда является гистограмма – график эмпирической плотности распределения генеральной совокупности непрерывного типа.
45.Среднее взвешенное и статистическая дисперсия
Среднее взвешенное, точнее среднее арифметическое взвешенное набора вещественных чисел с вещественными весами определяется как
В том случае, если все веса равны между собой, среднее арифметическое взвешенное будет равно среднему арифметическому.
Дисперсия (рассеяние), в математической статистике наиболее употребительная мера рассеивания, отклонения случайных значений от среднего.
(1)
где n - число измерений, xi - единичное значение, - среднее значение.
Достоверность дисперсии определяется числом степеней свободы f. В данном случае (1) f = n-1
Наряду с дисперсией используется стандартное отклонение, которое равно квадратному корню из дисперсии.
Если на результат измерения влияют несколько независимых случайных факторов, то вступает в силу закон сложения дисперсий: дисперсия результата равна сумме "составляющих" дисперсий.
46.Точечные оценки
Определение 1. Выборка -- последовательность результатов измерений значений случайной величины.
Определение 2. Статистическая оценка -- приближенное значение вероятностных характеристик законов распределения, полученных на основе статистических или выборочных данных. Точечная статистическая оценка -- статистическая оценка, выражаемая одним числом.
Определение 3. Статистическая оценка называется несмещенной, если .
Определение 4. Точечная оценка называется состоятельной, если .
Определение 5. Точечная оценка называется сильно состоятельной, если .
Определение 6. Точечная оценка называется эффективной, если , где -- все возможные точечные оценки.
Определение 7. Точечная оценка называется асимптотически эффективной, если
где -- все возможные точечные оценки.
Пример: выборочное математическое ожидание. .
Определение 8. Пусть -- оценка параметра . Мы хотим, чтобы , т.е. чтобы она была достаточно хорошей, была очень близка к реальному значению в очень большом количестве случаев (95%, 99%). Тогда -- точность, -- надежность.
47.Распределение Пуасона
Третье широко используемое дискретное распределение – распределение Пуассона. Случайная величина Y имеет распределение Пуассона, если
,
где λ – параметр распределения Пуассона, и P(Y=y)=0 для всех прочих y (при y=0 обозначено 0! =1). Для распределения Пуассона
M(Y) = λ, D(Y) = λ.
Это распределение названо в честь французского математика С.Д.Пуассона (1781-1840), впервые получившего его в 1837 г. Распределение Пуассона является предельным случаем биномиального распределения, когда вероятность росуществления события мала, но число испытаний n велико, причем np = λ. Точнее, справедливо предельное соотношение
Поэтому распределение Пуассона (в старой терминологии «закон распределения») часто называют также «законом редких событий».
Распределение Пуассона возникает в теории потоков событий (см. выше). Доказано, что для простейшего потока с постоянной интенсивностью Λ число событий (вызовов), происшедших за время t, имеет распределение Пуассона с параметром λ = Λt. Следовательно, вероятность того, что за время t не произойдет ни одного события, равна e-Λt, т.е. функция распределения длины промежутка между событиями является экспоненциальной.
Распределение Пуассона используется при анализе результатов выборочных маркетинговых обследований потребителей, расчете оперативных характеристик планов статистического приемочного контроля в случае малых значений приемочного уровня дефектности, для описания числа разладок статистически управляемого технологического процесса в единицу времени, числа «требований на обслуживание», поступающих в единицу времени в систему массового обслуживания, статистических закономерностей несчастных случаев и редких заболеваний, и т.д.
Описание иных параметрических семейств дискретных распределений и возможности их практического использования рассматриваются в обширной (более миллиона названий статей и книг на десятках языков) литературе по вероятностно-статистическим методам.