Курсовая работа: Види розподілу ймовірностей й оцінка його параметрів
Інтервальна оцінка дисперсії (середнього квадратичного відхилення) при відомому математичному чеканні. Ефективною оцінкою дисперс в цьому випадку є .
Використовуються два варіанти інтервальної оцінки для σ2(σ).
1. Основу першого варіанта складає статистика
(3.2.10)
який має розподіл%2 із п ступенями вол незалежно від значення параметра а2 і як функція параметра а2 > О безупинна і строго монотонна.
Отже, з обліком нерівності (3.2.2) будемо мати:
де і — двосторонні критичн границі Х2-распределения з п ступенями волі.
Вирішуючи нерівність щодо α2, одержимо, що з імовірністю 1 — α виконується нерівність
(3.2.11)
і з такою же імовірністю виконується нерівність
(3.2.12)
Числа і знаходять по табл. П. 4.3 при k = п і відповідно при р=α/2 і р=1-α/2. Інтервальна оцінка (3.2.12) несиметрична щодо .
2. Другий варіант припускає знаходження інтервальної оцінки для а при заданій надійності 1 - α у виді
(3.2.13)
При 5а < 1 границі цієї оцінки симетричні щодо і помилка оцінки , що гарантується з імовірністю 1 - α,
(3.2.14)
Як знайти 8а? Вирішуючи нерівність (3.2.13) щодо n/σ², одержимо, що з імовірністю 1 — α виконується нерівність
(3.2.15)
або, з огляду на формулу (3.2.10) і замінивши п на k, а α на р,
(3.2.16)
Значення , задовольняють рівнянню (3.2.16) при різних р та k,приведені до таблиці П. 4.6.
Тоді,
(3.2.17)
де — число, знайдене в табл. П. 4.6 при k = п и р = а.
Інтервальна оцінка дисперсії (середнього квадратичного відхилення) при невідомому математичному чеканні. Найкращою крапковою оцінкою дисперсії в цьому випадку є , побудова інтервальної оцінки для а2 засновано на статистику , який при випадковій вибірці з генеральної сукупності Х~ N(a; α) має розподіл Х2 з (п — 1) ступенем волі.
Проробивши викладення для розміру Х2(п — 1), подібні викладенням при відомому математичному чеканні, одержимо два варіанти інтервально оцінки для а2 (σ):
(3.2.18)
(3.2.19)
де числа і знаходять по табл. П. 4.3 при k = п - 1 і відповідно при р = α/2 і р=- 1 - α/2.
(3.2.20) (3.2.21)
при цьому помилка оцінки s, що гарантується з імовірністю 1 - α,
(3.2.22)
число 5га знаходять по табл. П. 4.6 при k = п 1 і р = α.
Зауваження. При k = п — 1 > 30 випадковий розмір Х2(к) має розподіл, близьке до , тому з імовірністю ≈ 1 - α
(3.2.23)
Приклад 3.2.3 Варіація щодобового прибутку випадково обраних 10 кіосків деякої фірми, обмірюване розміром де - прибуток і-го кіоска, опинилася рівної 100 д. е. Знайдіть таке ∆, при якому з надійністю 90% можна гарантувати, що варіація прибутку по всіх кіосках фірми не вийде за межі 100 + ∆. Передбачається, що прибуток - нормально розподілений розмір.
Тому що середній прибуток кіоску по усій фірмі не відомий нтервал для про повинний бути симетричним щодо s, для розрахунку помилки оцінки s при 1 - а = 0,9 скористаємося формулою (3.2.22).
При k = 9 та р= α = 0,1 по табл. П. 4.6 знайдемо = 0,476; тоді ∆ = 47,6. З надійністю 90% можна стверджувати, що генеральна варіація прибутку кіоску не вийде за межі 100 + 47,6.
Приклад 3.2.4 Користуючись 90%-нім довірчим інтервалом, оціните в умовах завдання 7.2 варіацію працюючих у фірмі по всій галузі.
Вирішення. За умовою п = 19, s = 25, 1 - α = 0,9. Знайдемо два варіанти довірчого інтервалу:
Відповідно формулі (3.2.19)
а тому що при k = п-1 = 18 верхня довірча границя , а нижня (див. табл. П. 4.3), то 19,740 < α < 34,613 - ця оцінка не симетрична щодо s.
2. Відповідно до рівняння (3.2.21),
а так як при k = п -1 = 18 50, = 0,297 (див. табл. П. 4.6), то 17,575<σ<32,425 - ця оцінка симетрична щодо s. Вона, як і випливало очікувати, відрізняється від попередньої інтервальної оцінки, однак
3.2.1 Асимптотичний підхід до інтервального оцінювання
З прикладами інтервальних оцінок, що мають місце тільки при великих об'ємах вибірок, ми вже зштовхувалися. Так, якщо розподіл випадкового розміру X відмінно від нормального, але п велике, то з мовірністю ≈ 1 - а інтервальна оцінка для MX = а має вид нерівності (3.2.3); з імовірністю ≈ 1-а інтервальна оцінка для р при великих п має вид нерівності (3.2.6) і т. д. [див. нерівності (3.2.9), (3.2.23)].
Розглянемо асимптотичний підхід у загальному випадку.
Раніше було встановлено, що при виконанні досить широких умов оцінка параметра , отримана або методом моментів або методом максимальної правдоподібності, має в самому загальному випадку асимптотичний нормальний розподіл і асимптотично несумісної, тобто при великих п оцінка . Однак на відміну від ситуації, розглянутої на раніше, де дисперсія D оцінки передбачалася відомої, у загальному випадку дисперсія Dоцінки залежить від оцінюваного невідомого параметра θ:
(3.2.24)
Тому напряму перший підхід до довірчого інтервалу неприйнятий.
Порушимо питання так: не можна чи перетворити оцінку у g – g() це невідомий параметр у g = g (θ) так, щоб дисперсія D не залежала від θ. Викладемо схему добору такого перетворення, а потім пояснимо, як, використовуючи його, знайти інтервальну оцінку для θ.
Нехай θ — оцінка методу моментів: θ, а отже, і g = g(θ) функціями вибіркових моментів. Тоді, відповідно до теореми про властивост функцій вибіркових моментів (див. 3.1), розподіл оцінки при великих п близько до нормального, і, з обліком виражень (3.5) і (3.2.25),
(аналогічні вираження утворюються і для оцінок максимально правдоподібності в регулярному випадку). Але тому що дисперсія Dне повинна залежати від θ, то вираження c(θ) g'(θ) повинно бути постійним, наприклад, c(θ)g'(θ) = 1. Тоді g'(θ)= 1/ c(θ) і
(3.2.25)
при цьому довільна постійна в невизначеному інтегралі вибирається з розумінь простоти остаточних виражень.
Отже, при великих п розподіл оцінки близько до нормального, при цьому , a і, отже,
Тому при великих п для g(9) з імовірністю * I — а має місце нерівність, подібна нерівності (3.2.3):
(3.2.26)
Застосувавши до всіх частинам нерівності (3.2.26) перетворений не , що є зворотною функцією до функції g, одержимо інтервальну оцінку для θ.
Приклад 3.2.5 Побудуємо довірчий інтервал для параметра розподілення Пуассона: Р(Х = х) =л.
У прикладі 3.2.2 була знайдена оцінка методу моментів параметра ; будучи оцінкою методу моментів, має асимптотично нормальний розподіл (ця властивість оцінки випливає також і з центральної граничної теореми), при цьому - оцінка, тому що , а дисперсія оцінки , залежить від параметра λ:
Зіставивши вираження для с вираженням (3.2.24), одержимо
і, відповідно до рівності (3.2.25),
З урахуванням виду функції нерівність (3.2.26)
(3.2.27)
Для функції при х ≥ 0 і у ≥ 0 зворотна функція . Тому, якщо в нерівності (3.2.27)
то, застосувавши до всіх його частинам перетворення одержимо нерівність
(3.2.28)
яке виконується при великих п з імовірністю ≈ 1 - α.
Приклад 3.2.6 Побудуємо довірчий інтервал для р - імовірності успіху в одиничному випробуванні.
У прикладі 3.2.4 методом максимальної правдоподібності для р була знайдена оцінка , де - випадкове число успіхів у п випробуваннях Бернуллі; р має асимптотичний нормальний розподіл, при цьому М = р, a D= р(1 – р)/п - дисперсія залежить від параметра р.
Зіставивши вираження для D із вираженням (3.2.24), одержимо
і, відповідно до формули (3.2.25),
З обліком виду функції g(p) нерівність (3.2.26) прийме вид:
(3.2.29)
Для функції при 0 < < 1 зворотна функція , де 0 < у < π. Тому, якщо в нерівності (3.2.29)
та , то застосувавши до всіх його частинам перетворення одержимо нерівність;
який виконується при великих п з імовірністю ≈ 1 - α.
4. Розподіл Пуассона
Нехай виробляється п незалежних іспитів, у кожнім з який імовірність появи події А дорівнює р. Для визначення імовірності k появ події в цих спитах використовують формулу Бернуллі. Якщо ж п велико, то користаються асимптотичною формулою Лапласа. Однак, ця формула непридатна, якщо мовірність події мала (р≤0,1). У цих випадках (п велико, р мало) прибігають до асимптотичною формулою Пуассона.
Отже, поставимо своєю задачею знайти імовірність того, що при дуже великому числ спитів, у кожнім з який імовірність події дуже мала, подія наступить рівно k раз.
Зробимо важливе допущення: добуток пр зберігає постійне значення, а саме і пр=λ. Як буде випливати з подальшого це означає, що середнє число появ події в різних серіях іспитів, тобто при різних значеннях п, залишається незмінним. Скористаємося формулою Бернуллі для обчислення цікавлячої нас імовірності:
Тому що пр=λ те Отже,
Прийнявши в увагу, що п має дуже велике значення, замість знайдемо . При цьому буде знайдене лише наближене значення імовірності, що відшукується: хоча і велико, але звичайно, а при відшуканні межі ми спрямуємо п д о нескінченності. Отже,
Отже (для простоти запису знак наближеної рівності опущений),
Ця формула виражає закон розподілу Пуассона імовірностей масових (п велике) рідких (р мале) подій.
Зауваження. Маються спеціальні таблиці користаючись якими можна з найти Pn(k). знаючи k і λ.
Висновок
У цій курсовій роботі ми розглянули апарат теорії ймовірностей математичної статистики який використовується для аналізу динаміки об’ємів банківських депозитів. Цей апарат використовується у багатьох банківських системах та різних за призначенням галузях країн в тому числі і нашої країни.
Отже, предметом теорії ймовірностей є вивчення імовірнісних закономірностей масових однорідних випадкових подій. Знання закономірностей, яким підкоряються масов випадкові події, дозволяє передбачати, як ці події будуть протікати. Методи теорії ймовірностей широко застосовуються в різних галузях природознавства техніки: у теорії надійності, теорії масового обслуговування, у теоретичній фізиці, геодезії, астрономії, теорії стрілянини, теорії помилок спостережень, теорії автоматичного керування, загальної теорії зв’язку й у багатьох інших теоретичних і прикладних науках. Теорія ймовірностей служить, також для обґрунтування математичної і прикладної статистики, що, у свою чергу, використовується при плануванні й організації виробництва, при аналізу технологічних процесів, попереджувальному і приємному контролі якості продукц та для багатьох інших цілей.
В останні роки методи теорії ймовірностей все ширше і ширше проникають в різн області науки і техніки, сприяючи їх прогресу.
Список літератури
1. Колемаев В.А. Математическая экономика.- М: ЮНИТИ. 1998.
2. Замков О.О., Толстопятенко А.В.. Черемніх Ю.Н. Математические методи в экономике.- М.: ДИС. 1997.
3. Грубер И. Эконометрия.- Киев.: Изд. Астарта. 1996.
4. Колемаев В.А. и др. Теория вероятностей и математическая статистика. - М.: Вісш. шк.. 1991.-400 с. 09. Толбатов Ю.А. Математична статистика та задачі оптимізації в алгоритмах і програмах. - Київ, 1991.
5. Венцель Е.С.. Овчаров Л.Н. ТВ и ее инженерное приложение. - М.: Наука. 1988.
6. Розанов Ю.А. Теория вероятностей, случайні процесси математическая статистика. - М.: Наука. 1985. 22. Айвазян С.А. и др. Прикладная статистика: Основи моделирования и первичная обработка даних. -М.: Финанси и статистика. 198?.-471 с.
7. Айвазян С.А. и др. Прикладная статистика: Исследование зависимостей. — М.: Финансі и статистика. 1985. -487 с.
8. Айвазян С.А. и др. Прикладная статистика: Классификация и снижение размерности. - М.: Финансі и статистика. 1989. - 607 с.
9. Малахин В.И. Математическое моделирование экономики.-М.. 1998.
10. Красе М.С. Математика для экономических специальностей.- М.: ИНФРА-М. 1999.
11. Ляшенко И.Н.. Ляшенко Е.И. Математика для экономистов.- Донецк. 1998.
12. Сакович В.А. Исследование операций (детерминированніе методі и - модели) Справочное пособие.-Мн.: Віш.шк.. 1984.-254 с.
13. Зайченко Ю.П. Исследование операций.-К: Виша.шк.. 1988.
14. Вентцель Е.С. Исследование операций. Задачи, принципі, методология.-М.: Наука, 1980-208 с.