|
Sitio Visitado 502664 vueltas | Pagina Visitada 108 vueltas | Usted esta en : Etantonio/ES/Universita/2anno/TeoriaFenomeniAleatori/ |
Cuestiones de la teora de los fenmenos aleatorios 1) las definiciones estadsticas de la probabilidad y de sus lazos : Hay 4 definiciones posibles para la probabilidad : a) Axiomtico La probabilidad del acontecimiento seguro es unitaria. La probabilidad es un nmero abarcado entre 0 y 1. La probabilidad de un acontecimiento que sea suma de dos que no tienen elementos de los acontecimientos en campo comn es la suma de las probabilidades. b) Frecuencia de la repeticin La frecuencia relativa de un acontecimiento a es el Relazioneship entre el nmero de las pruebas en de las cuales un elemento tiene s mismo como resultado con a y el nmero de pruebas, cuando esta ltima estira a , la frecuencia relativa estira a la probabilidad. c) Clsico La probabilidad de un acontecimiento a es el Relazioneship entre el nmero los posibles resulta a usted favorable al acontecimiento a y el total del nmero los posibles resulta a usted. Una mejora de la definicin exige que las solas resulten a usted sean equiprobabili. d) Subjetiva, la probabilidad es el precio que un individuo piensa favorablemente para pagar para recibir 1 si la verificacin del acontecimiento. 2) la paradoja de Bertrand : Es una herencia de la paradoja a la definicin clsica
de la probabilidad y eso lo pone en crisis cuando el nmero los
posibles resulta a usted que es ilimitado. Una circunferencia C
de la viga es r tenido, se debe estimar la probabilidad que una cuerda
seleccionada AB al caso tiene mayores dimensiones del lado
a) consideran el sol que tiene cuerdas
el centro ante el interior del crculo de la viga b) fij un extremo de la cuerda, encontrar que el otro extremo se debe abarcar dentro de un ngulo igual de 1/3 del permetro de la circunferencia, por lo tanto la probabilidad en este caso es 1/3. c) las cuerdas ms largas son
horizontales imaginado y con tra anterior abarcado
3) teoremas del total y del Bayes de la probabilidad : El teorema del total de la probabilidad afirma eso si una
particin del espacio de muestra es S tenido en acontecimientos de ma 1 ...,A m y a un acontecimiento de B definidos en S despus
la probabilidad de B se da El teorema de Bayes concurre para los medios del teorema
del total de la probabilidad a posteriori de ganar la probabilidad de
un acontecimiento que pertenece a una particina
1 ...,A m de S
que sabe su probabilidad a priori, se tiene eso es l
4) estadstica de la independencia de acontecimientos variables y aleatorio : Dos acontecimientos son estadstico dicho independent si
la probabilidad de la interseccin del acontecimiento es igual al
producto de las probabilidades de los solos acontecimientos
5) la probabilidad condicionada : Definicin e interpretacin en trminos de la frecuencia relativa y de su caracterstica : Es la probabilidad que ocurre un acontecimiento a ese
acontecimiento B se ha ocurrido despus
6) pruebas repetidas y ley binomial : Bosquejo de las pruebas que generan un espacio de muestra igual al producto cartesiano de los espacios de muestra de n S que son n el nmero de pruebas y S el espacio de muestra de los resultados de la sola prueba. Las pruebas de Bernoulliane son en lugar de otro una caja particular de las pruebas repetidas, en cunto son en medio de independent ellas las pruebas y 2 son produccin sola posible a usted. Se habla en vez de las pruebas generalizadas de Bernoulliane si cada prueba tiene r posible resulta a usted. La distribucin de los xitos se describe de la ley
binomial, en detalle el nmero de los xitos en es cualquier orden
7) se define la funcin de distribucin y si de ella demuestran la caracterstica : La funcin de distribucin es conveniente describir la
probabilidad que est ocurrido un acontecimiento est abarcado en un
intervalo de los datos, l est descrito a) se abarca entre 0 y 1 que tienen que representar una probabilidad. b) posee de las discontinuidades del
salto que son solos continuos de la derecha y que valor es igual a la
probabilidad que aleatorios variables el X asumen el valor x en la
edicin c) d) Si x1 < x2 entonces y) la funcin de aumento es un monotona. f)
8) se escriben y la caracterstica de la densidad de la probabilidad se demuestra : La densidad de la probabilidad se define como el derivado
variable con respecto a aleatorio el X de la funcin de la
distribucin
9) la densidad del empiricist de la probabilidad (histograma) y de su interpretacin en trminos de la frecuencia relativa : El eje x en intervalos de la amplitud de D se subdivide , despus de lo cual un experimento se ejecuta los tiempos de n y un paso de la altura se asocia a cada proporziona del intervalo de D que al nmero de resultan a usted que caen en el intervalo, obtienen por lo tanto un histograma que debe ser estandardizado de modo que el rea de subtended lo sea unitaria ; estira a la funcin de la distribucin para n ® y D®0.
10) las desigualdades de Chebyschev y de Markov : demostraciones y usos posibles : Ambos resuelven hacer para limitarse para determinar desigualdades que dan una idea encendido al igual que se distribuye la densidad de la probabilidad. La desigualdad de Chebyschev afirma que la probabilidad
que aleatorios variables el X asumen que los valores externos a un
intervalo arbitrario (ny , n y) es insignificante si el
Relazioneship s/y es suficientemente
pequeo : La desigualdad de Markov en lugar de otro afirma que la
probabilidad eso
11) variable el exponencial aleatorio y sus momentos de la orden 1 y 2 : Su densidad de la probabilidad se da de 12) c aleatoria variable2 : Una caracterstica importante es que la suma de los cuadrados de los estndares independientes gaussian de n es una c2 con grados de la libertad de n. Mucho en la estadstica para el clculo de la variacin de funciones gaussian al medio del valor de icgnito est una distribucin usada, que se encuentra le se distribuye como una c2 con los grados de la libertad n-1 donde n en prctico l coincide con el tamao de muestra.
13) aleatorio variable el geomtrico : Su densidad del somiglia binomial de la probabilidad mucho
a uno menos que exponencial
14) la ley de los grandes nmeros : Afirma que la probabilidad que la
frecuencia relativa diferencia ms de la probabilidad en orden que y vale
15) el teorema del lmite los centra ; para dar o ms declara a usted y para indicar unos o ms usos : a) Cuando el npq del producto que® el binomial estira el gaussian. b) el convoluzione de n gaussian sigue siendo una gaussian c) la distribucin variable de la suma de estiramientos aleatorios de n, al crecimiento de n, una gaussian. Si los variables son continuos tambin la densidad gaussian de la densidad aproxima uno. d) Si X1 ..., Xn es i.i.d. aleatorios variables con
el medio h del valor y la variacin s2 entonces para n que® la variable
16) la aproximacin de Poissoniana del Binomiale(Teorema di Poisson) declarado y demostracin : En el caso de acontecimientos raros que est de las
pruebas repetidas para de las cuales la probabilidad que tiene xito
es ms pequea de el 10%, est convoca para aproximar binomial con
el Poissoniana que densidad de la probabilidad se describe
17) el teorema fundamental : densidad de la probabilidad de una funcin variable de aleatorio : Se tiene este teorema concurre calcular la densidad de la
probabilidad de una funcin variable aleatoria de irse del conocido
del derivado de la funcin y de la densidad de la probabilidad
variable de la aleatoria de las cuales es funcin
18) la estadstica del concepto de la independencia entre los acontecimientos, en un apoyo y un n-n-pla de aleatorio variable: Dos unos aleatorios variables son estadstico el independent si P{X x, Y y} = P{X x} P{Y y}.
19) densidad de probabilidades de un g(X dos X aleatorio variable Y y, funcin Y): Se obtiene del derivado de 2 que la orden de la funcin
de la distribucin combinada FXY se tiene :
20) coeficiente y aleatorio variable de la correlacin de la correlacin, caso en qu independencia coincide con el scorrelazione: El coeficiente de correlacin de dos X y Y aleatorios
variables vale Dos unos aleatorios variables son scorrelate dicho si E[XY ] = E[X]E[Y ], la relacin que substituy en la extensin del covarianza que para el scorrelate variable el covarianza y el coeficiente de correlacin es nulos. Dos unos aleatorios variables son independent dicho > fXY = fX(el x)fY(y). Usted se nota que el scorRelation indica la ausencia de un lazo linear entre la variable dos mientras que la independencia indica la ausencia de cualquier tipo de lazo entre la variable dos unas, por lo tanto independencia implican el scorRelation pero no el viceversa a menos que en el caso de gaussian aleatorio variable.
21) transformacin de un apoyo de aleatorio variable ; para demostrar el teorema fundamental y describir el uso del miembro variable del cuerpo auxiliar del ejrcito de las mujeres para obtener la funcin de la densidad variable de una funcin de 2 unas aleatorios: Si 2 funciones variables aleatorias de tal Z y W se tienen
que Z = el f(X, Y) e W = g(X, Y) entonces el teorema fundamental
describe como la obtencin para los medios del Jacobiano de la
funcin combinada de la densidad de la probabilidad.
22) Parlare sobre las transformaciones lineares de un portador aleatorio y sobre el gaussian multivaried uno: Un portador aleatorio es un tal portador aqul cualquier combinacin de sus miembros determina un gaussian aleatorio variable.
23) Ricavare la transformacin linear que permite para rendir a los miembros del medio un portador aleatorio gaussian al incorrelate de la falta de informacin del valor y con la matriz asignada del covarianza:
24) la curva de la regresin de un aleatorio variable en un otro : la caracterstica los genera, caja particular de un apoyo en comn de gaussian aleatorio variable: El bosquejo del integral que define el valor previsto de Y
condicion a X
25) vida de un sistema ; confiabilidad ; frecuencia condicionada de las interrupciones y de sus cursos tpicos ; interpretacin en trminos de la frecuencia relativa : La vida de un sistema es el intervalo del tiempo que los
pasajes entre poner en la funcin y la primera abertura, l se
describen de aleatorio variable el X, su funcin de la distribucin
FX(t) es la probabilidad fuera
de servicio esa el sistema antes del momento t mientras que lo
contrario el valor previsto de la vida del sistema se llama MTBF y
caracteriza exactamente la poca media de la operacin sin
interrupciones de un sistema. Viene finalmente describi
26) lazo entre la frecuencia condicionada de las interrupciones y la confiabilidad ; valor previsto de la tarifa las interrupciones :
27) la densidad condicionada y la densidad de bivaried su gaussian de la probabilidad :
28) el concepto del campen aleatorio ; definicin del promedio del campen ; valor y variacin previstos del promedio del campen : Un campen aleatorio est con de n i.i.d. variable
extrada solamente de aleatorio variable un X, el promedio del
campen o la coleccin media de muestras se describe
29) la densidad de las probabilidades variables de la suma de 2 unas aleatorios en el caso general y el caso del indipendenza. : En el caso de la independencia se da del convoluzione de las 2 funciones variables de la densidad dos las aleatorias mientras que la funcin caracterstica es igual al producto de las dos funciones caractersticas.
30) convergencia cuadrtica en promedio y convergencia en probabilidad : definiciones y conexin entre las dos convergencias : La convergencia cuadrtica en promedio se da La convergencia en probabilidad en lugar de otro se da de
la relacin La relacin entre los dos es que si Xn converge entonces a c cuadrtica en promedio converge a c en probabilidad mientras que se obtiene que aplica la desigualdad de Markov. 31) c aleatoria variable2 : estadstica de la definicin y del uso : La caracterstica de c2 es siguiente : a) Si es X una c2 con grados de m de libertad entonces Z = X Y es una c2 con grados de la libertad de m n. b) la suma de los cuadrados de los estndares independientes gaussian de n es una c2 con grados de la libertad de n. c) Una c2 con 2 grados de libertad es una densidad exponencial.
32) distribucin del promedio y de la coleccin de la variacin de muestras : La coleccin media de muestras es
33) decisin binaria con la sola observacin : los conceptos generan las y la prueba de Neyman - Pearson, este ltimo con la demostracin relativa : Se tiene una decisin binaria cuando en el espacio de l los marca S es 2 los marca, a cada uno de ellos es la asociada de las 2 particiones del espacio de las observaciones de Z y debe se toma una de 2 decisiones d0 o d1 . El error de 1 tipo es la probabilidad que las marca era S0 pero viene la decisin errneamente tomada d1 , se indica con a y es nivel dicho de la significacin de la prueba. El error del tipo 2 es la probabilidad que los marca era S1 pero viene la decisin errneamente tomada d0 , se indica con b y su inverso P = 1 - la energa de b de la prueba es dicha. 34) teora de la decisin y del criterio de Neyman - Pearson : Se propone para compartir el espacio de las observaciones
para para asociarse de los elementos al espacio de las decisiones.
El criterio de Neyman Pearson conduce a la localizacin de una
regla de la decisin a la cual disminuya b que fija . En
cortocircuito uno se aplica al mtodo de los multiplicadores de
Lagrange que intentan entre todas las regiones para las cuales el
nivel de la significacin de la prueba es se a 0fijada , aqulla
que maximiza la energa de la prueba b . Uno encuentra que el verosimiglianza Relazioneship
es mayor del multiplicador l elige d1 elige de
otra manera d0
35) teora axiomtica : Ilustre la diferencia entre la estima de Bayes y aqulla no de Bayes ; se ejemplifica al caso del affette de las medidas de errores : En la obra clsica del acercamiento el parmetro q de la distribucin fX(x,q) se considera como una constante, de icgnito pero determinist. En la estadstica de Bayes de icgnito el parmetro q se considera como una realizacin de una F aleatoria variable . 36) generacin de los pseudo - accidental con la distribucin asignada que se va de nmeros pseudo - uniformes accidentales de los nmeros adentro [ 0.1 ] : Si X es un uno aleatorio variable con la distribucin F(x) entonces U = F(x) es uniforme distribuido adentro (0.1) con la distribucin de F(x) bastante por lo tanto para aplicar la F-1(u) a cada u que pertenece a la secuencia de nmeros accidentales con la distribucin uniforme adentro (0.1).
37) describe el montaje Carl del mtodo : Es un mtodo basado en un muestreo accidental, en cortocircuito un experimento aleatorio se repite los tiempos de n y se estima el promedio de resulta obtenido a usted. Se utiliza el mtodo est para la estadstica de los usos que para los usos del determinist. Se utiliza como ejemplo en el clculo de los integrales para los cuales los dos mtodos siguientes estn disponibles : a) Con riscalamenti se hace de manera de integrar entre 0 y 1. El integral resulta ser el valor previsto de la funcin g aplicada a un uniforme variable en (0.1) extraer por lo tanto a algunos campeones, el integral se caracteriza de su coleccin media de muestras. b) 2 uniformes variables se generan adentro (0,1) u y v y para cada valor del u es controlado si v son ms pequeos de g(u). De icgnito el integral por lo tanto se da del Relazioneship entre el nmero de las pruebas en las cuales el g(u ide v) y el nmero de pruebas.
38) construccin de tasadores con el mtodo de los momentos : El mtodo de los momentos consiste en igualar los momentos de la funcin de la distribucin famosa con las estimaciones de los momentos a usted
39) estima del parmetro con el mtodo del verosimiglianza mximo. Caracterstica de los tasadores del verosimiglianza mximo : El mtodo del verosimiglianza mximo se basa en tomar ese valor de q que ms verosimilmente que ha dado el lugar a los datos observe a usted. Eso en cortocircuito sucede derivando con respecto de icgnito al parmetro la funcin que es la densidad del portador aleatorio del f(x de los campeones de i, q del verosimiglianza) pensado como la funcin de q. Son los tasadores que para los campeones pequeos tienen funcionamientos escasos, produccin en hecho polarizan a usted y tener gran variacin, con el aumento del nmero de los campeones que disminuyen es la polarizacin que la variacin y la funcin de los estiramientos de la distribucin el gaussian.
40) estadstica de Pearson y la prueba de la calidad de la adaptacin entre una ley terica y un empiricist de la ley : La prueba tiene el alcance para establecer si un modelo
terico de los datos adaptado a los datos se encuentra con eficacia a
usted, o si dos sistemas de datos l los experimentan ellos se pueden
describir del mismo modelo. La hiptesis baja es que las
probabilidades de los acontecimientos de ma i son iguales a los valores dados m p0i . La estadstica que se utiliza 41) estadstica de Pearson y la prueba de c2 : La estadstica de la prueba de Pearson
42) el mtodo least-squares : interpretacin, estadstica y predittiva del determinist. : Una funcin j (x) debe ser caracterizadaque mejor adaptado en segundo lugar un criterio
predefini con de los puntos dados. El mtodo consiste en la
determinacin de los parmetros l ide m del modelo j(x) de modo que resulte mnimo el
error cuadrtico Interpretacin de Determinist : Los apoyos (xi , yi) son apoyos de nmeros
famosos. El suponer a aproximar con un un bx recto del y=a para determinarse a y b otro no tiene que ser hecho
eso para disminuir el error cuadrtico Estadstica de la interpretacin : Abscissas x es nmeros famosos, mientras que los formers que y es los valores aleatorios le observan de n Y variable del valor previsto E[Y] = j(el xi). Interpretacin de Predittiva : Es los abscissas que los formers son los valores le observan de aleatorio variable. |