М. Е. Жуковский - Математическая статистика
Название: | Математическая статистика | |
Автор: | М. Е. Жуковский | |
Жанр: | Математика, Статистика | |
Изадано в серии: | неизвестно | |
Издательство: | неизвестно | |
Год издания: | - | |
ISBN: | неизвестно | |
Отзывы: | Комментировать | |
Рейтинг: | ||
Поделись книгой с друзьями! Помощь сайту: донат на оплату сервера |
Краткое содержание книги "Математическая статистика"
Читаем онлайн "Математическая статистика" (ознакомительный отрывок). Главная страница.
- 1
- 2
Московский физико-технический институт
факультет инноваций и высоких технологий
Математическая статистика
Лектор: М.Е. Жуковский
КОНСПЕКТ ЛЕКЦИЙ
автор: Александр Марков
26 мая 2017 г.
Содержание
1
Сходимость случайных векторов
3
2
Вероятностно-статистическая модель
6
3
Статистики. Непараметрические статистики
8
3.1
Определение статистики. Примеры . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
3.2
Непараметрические статистики . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
3.3
Ядерные оценки плотности . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
4
5
Параметические распределения. Оценки параметров
11
4.1
Определение и свойства оценок . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
4.2
Методы нахождения оценок . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
Способы сравнения статистик
16
5.1
Сравнения произвольных оценок . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
5.2
Поиск наилучшей оценки в классе несмещенных оценок . . . . . . . . . . . . . . . . . . . .
17
6
Оценка максимального правдоподобия
20
7
Условное математическое ожидание
23
7.1
Определение и свойства . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
7.2
Поиск УМО в абсолютно непрерывном случае . . . . . . . . . . . . . . . . . . . . . . . . .
26
7.3
Поиск наилучшей оценки в классе несмещенных оценок . . . . . . . . . . . . . . . . . . . .
27
8
9
10
11
Доверительные интервалы
31
8.1
Построение доверительных интервалов методом центральной статистики . . . . . . . . .
31
8.2
Асимптотические доверительные интервалы . . . . . . . . . . . . . . . . . . . . . . . . . .
32
Байесовские методы
33
9.1
Введение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
9.2
Математическое описание байесовских методов. Сравнение подходов . . . . . . . . . . . .
33
Линейная регрессия
37
10.1
Линейная модель . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
10.2
Гауссовская линейная модель . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
Проверка гипотез
41
11.1
Построение критериев . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
11.2
Гипотезы в линейной регрессии . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
1
11.3
Критерии согласия . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
11.4
Байесовские критерии . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
2
1
Сходимость случайных векторов
Определение 1.1. Пусть 𝜉, 𝜉1 , . . . , 𝜉𝑛 — 𝑘-мерные случайные вектора. Как и в случае случайных
величин, существуют следующие виды сходимости:
п.н.
1. 𝜉𝑛 −−−→ 𝜉 если P(𝜉𝑛 → 𝜉) = 1 (сходимость почти наверное)
√︃
P
2. 𝜉𝑛 −
→ 𝜉 если ∀𝜀 > 0 : P(||𝜉𝑛 − 𝜉||2 > 𝜀) → 0, где ||𝑥||𝑡 =
𝑡
𝑘
∑︀
|𝑥𝑖 |𝑡 для 𝑥 = (𝑥1 , . . . , 𝑥𝑘 ) ∈ R𝑘
𝑖=1
(сходимость по вероятности)
𝑑
3. 𝜉𝑛 −
→ 𝜉 если для любой непрерывной ограниченной функции 𝑓 : R𝑘 → R верно E𝑓 (𝜉𝑛 ) → E𝑓 (𝜉)
(сходимость по распределению, слабая сходимость)
𝐿𝑝
𝑝
4. 𝜉𝑛 −−→ 𝜉 если E (||𝜉𝑛 − 𝜉||𝑝 ) → 0 (сходимость в 𝐿𝑝 )
Утверждение 1.0.1. Пусть 𝜉, 𝜉1 , . . . — случайные 𝑘-мерные вектора. Тогда верны следующие взаимосвязи между сходимостью векторов и их компонент:
⎧
⎫
п.н.
(𝑖) п.н.
⎪
⎪
⎪
𝜉𝑛 −−−→ 𝜉 ⎪
𝜉𝑛 −−−→ 𝜉 (𝑖)
⎪
⎪
⎪
⎪
⎬
⎨
P
P
⇐⇒ ∀𝑖 ∈ {1, . . . , 𝑘} 𝜉𝑛(𝑖) −
𝜉𝑛 −
→𝜉
→ 𝜉 (𝑖)
⎪
⎪
⎪
⎪
⎪
⎪
𝐿𝑝
⎪
⎪
𝐿𝑝
⎩𝜉 (𝑖) −
𝜉𝑛 −−→ 𝜉 ⎭
−→ 𝜉 (𝑖)
𝑛
Доказательство.
(𝑖)
1. сходимость почти наверное. ⇒: {𝜉𝑛 → 𝜉 (𝑖) } ⊃ {𝜉𝑛 → 𝜉} и вероятность собы-
тия справа равна 1.
𝑘
⋂︀
(𝑗)
⇐: {𝜉𝑛 → 𝜉} =
{𝜉𝑛 → 𝜉 (𝑗) } (известно из матана) и вероятность справа просто равна 1.
𝑗=1
(𝑖)
2. сходимость по вероятности. ⇒: {|𝜉𝑛 − 𝜉 (𝑖) | > 𝜀} ⊂ {||𝜉𝑛 − 𝜉||2 > 𝜀}
𝑘
⋃︀
(𝑖)
⇐:
{|𝜉𝑛 − 𝜉 (𝑖) | > 𝑘𝜀 } ⊃ {||𝜉𝑛 − 𝜉|| > 𝜀}
𝑖=1
3. сходимость в 𝐿𝑝 . Очевидна цепочка неравенств
⃒
⃒𝑝 ⃒
⃒𝑝
⃒
⃒𝑝
⃒
⃒
⃒
⃒
⃒
⃒
0 6 ⃒𝜉𝑛(𝑖) − 𝜉 (𝑖) ⃒ 6 ⃒𝜉𝑛(1) − 𝜉 (1) ⃒ + . . . + ⃒𝜉𝑛(𝑘) − 𝜉 (𝑘) ⃒
Тогда ⇐ следует из линейности мат.ожидания, а ⇒ из свойства мат.ожидания 𝑓 6 𝑔 ⇒ E𝑓 6 E𝑔.
Напоминание: критерием сходимости по распределению может служить теорема --">
факультет инноваций и высоких технологий
Математическая статистика
Лектор: М.Е. Жуковский
КОНСПЕКТ ЛЕКЦИЙ
автор: Александр Марков
26 мая 2017 г.
Содержание
1
Сходимость случайных векторов
3
2
Вероятностно-статистическая модель
6
3
Статистики. Непараметрические статистики
8
3.1
Определение статистики. Примеры . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
3.2
Непараметрические статистики . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
3.3
Ядерные оценки плотности . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
4
5
Параметические распределения. Оценки параметров
11
4.1
Определение и свойства оценок . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
4.2
Методы нахождения оценок . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
Способы сравнения статистик
16
5.1
Сравнения произвольных оценок . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
5.2
Поиск наилучшей оценки в классе несмещенных оценок . . . . . . . . . . . . . . . . . . . .
17
6
Оценка максимального правдоподобия
20
7
Условное математическое ожидание
23
7.1
Определение и свойства . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
7.2
Поиск УМО в абсолютно непрерывном случае . . . . . . . . . . . . . . . . . . . . . . . . .
26
7.3
Поиск наилучшей оценки в классе несмещенных оценок . . . . . . . . . . . . . . . . . . . .
27
8
9
10
11
Доверительные интервалы
31
8.1
Построение доверительных интервалов методом центральной статистики . . . . . . . . .
31
8.2
Асимптотические доверительные интервалы . . . . . . . . . . . . . . . . . . . . . . . . . .
32
Байесовские методы
33
9.1
Введение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
9.2
Математическое описание байесовских методов. Сравнение подходов . . . . . . . . . . . .
33
Линейная регрессия
37
10.1
Линейная модель . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
10.2
Гауссовская линейная модель . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
Проверка гипотез
41
11.1
Построение критериев . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
11.2
Гипотезы в линейной регрессии . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
1
11.3
Критерии согласия . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
11.4
Байесовские критерии . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
2
1
Сходимость случайных векторов
Определение 1.1. Пусть 𝜉, 𝜉1 , . . . , 𝜉𝑛 — 𝑘-мерные случайные вектора. Как и в случае случайных
величин, существуют следующие виды сходимости:
п.н.
1. 𝜉𝑛 −−−→ 𝜉 если P(𝜉𝑛 → 𝜉) = 1 (сходимость почти наверное)
√︃
P
2. 𝜉𝑛 −
→ 𝜉 если ∀𝜀 > 0 : P(||𝜉𝑛 − 𝜉||2 > 𝜀) → 0, где ||𝑥||𝑡 =
𝑡
𝑘
∑︀
|𝑥𝑖 |𝑡 для 𝑥 = (𝑥1 , . . . , 𝑥𝑘 ) ∈ R𝑘
𝑖=1
(сходимость по вероятности)
𝑑
3. 𝜉𝑛 −
→ 𝜉 если для любой непрерывной ограниченной функции 𝑓 : R𝑘 → R верно E𝑓 (𝜉𝑛 ) → E𝑓 (𝜉)
(сходимость по распределению, слабая сходимость)
𝐿𝑝
𝑝
4. 𝜉𝑛 −−→ 𝜉 если E (||𝜉𝑛 − 𝜉||𝑝 ) → 0 (сходимость в 𝐿𝑝 )
Утверждение 1.0.1. Пусть 𝜉, 𝜉1 , . . . — случайные 𝑘-мерные вектора. Тогда верны следующие взаимосвязи между сходимостью векторов и их компонент:
⎧
⎫
п.н.
(𝑖) п.н.
⎪
⎪
⎪
𝜉𝑛 −−−→ 𝜉 ⎪
𝜉𝑛 −−−→ 𝜉 (𝑖)
⎪
⎪
⎪
⎪
⎬
⎨
P
P
⇐⇒ ∀𝑖 ∈ {1, . . . , 𝑘} 𝜉𝑛(𝑖) −
𝜉𝑛 −
→𝜉
→ 𝜉 (𝑖)
⎪
⎪
⎪
⎪
⎪
⎪
𝐿𝑝
⎪
⎪
𝐿𝑝
⎩𝜉 (𝑖) −
𝜉𝑛 −−→ 𝜉 ⎭
−→ 𝜉 (𝑖)
𝑛
Доказательство.
(𝑖)
1. сходимость почти наверное. ⇒: {𝜉𝑛 → 𝜉 (𝑖) } ⊃ {𝜉𝑛 → 𝜉} и вероятность собы-
тия справа равна 1.
𝑘
⋂︀
(𝑗)
⇐: {𝜉𝑛 → 𝜉} =
{𝜉𝑛 → 𝜉 (𝑗) } (известно из матана) и вероятность справа просто равна 1.
𝑗=1
(𝑖)
2. сходимость по вероятности. ⇒: {|𝜉𝑛 − 𝜉 (𝑖) | > 𝜀} ⊂ {||𝜉𝑛 − 𝜉||2 > 𝜀}
𝑘
⋃︀
(𝑖)
⇐:
{|𝜉𝑛 − 𝜉 (𝑖) | > 𝑘𝜀 } ⊃ {||𝜉𝑛 − 𝜉|| > 𝜀}
𝑖=1
3. сходимость в 𝐿𝑝 . Очевидна цепочка неравенств
⃒
⃒𝑝 ⃒
⃒𝑝
⃒
⃒𝑝
⃒
⃒
⃒
⃒
⃒
⃒
0 6 ⃒𝜉𝑛(𝑖) − 𝜉 (𝑖) ⃒ 6 ⃒𝜉𝑛(1) − 𝜉 (1) ⃒ + . . . + ⃒𝜉𝑛(𝑘) − 𝜉 (𝑘) ⃒
Тогда ⇐ следует из линейности мат.ожидания, а ⇒ из свойства мат.ожидания 𝑓 6 𝑔 ⇒ E𝑓 6 E𝑔.
Напоминание: критерием сходимости по распределению может служить теорема --">
- 1
- 2
Книги схожие с «Математическая статистика» по жанру, серии, автору или названию:
Макс Тегмарк - Наша математическая вселенная. В поисках фундаментальной природы реальности Жанр: Математика Год издания: 2017 Серия: Элементы |
Маркус дю Сотой - Тайны чисел: Математическая одиссея Жанр: Математика Год издания: 2016 |
В. Босс - Лекции по математике. Том 4. Вероятность, информация, статистика Жанр: Учебники и пособия: прочее Год издания: 2005 |
Син Такахаси - Занимательная статистика. Факторный анализ Жанр: Комикс, Манга Год издания: 2015 Серия: Образовательная манга |