- •1.1 Случайные события: элементарные, достоверные, невозможные, несовместные, совместные, равновозможные. Попарно-несовместные, образующие полную группу. Пространство элементарных событий. Случай.
- •1.2. Сумма, произведение, разность, отрицание. Теоретико-множественная трактовка. Диаграммы Эйлера-Венна. Алгебра событий. Понятие сигма-алгебры.
- •1.3. Частота события. Свойство статистической устойчивости. Статистическое определение вероятности.
- •1.4. Классическое определение вероятности события. Непосредственное вычисление вероятностей.
- •1.5. Комбинаторика: правило умножения и сложения. Основные схемы: с возвращением, без возвращения. Понятия размещения, сочетания, перестановки.
- •1.6. Геометрическое определение вероятности.
- •1.7. Аксиоматическое определение вероятности. Свойства вероятностей.
- •1.8. Вероятностное пространство.
- •Независимые случайные величины Определения
- •1.12 Вероятность суммы событий
- •1.13 Формула полной вероятности.
- •1.14 Формула Байеса
- •1.15.Однородная цепь Маркова
- •1.16. Независимые испытания. Схема и формула Бернулли. Многоугольник распределения вероятностей.
- •1.17 . Предельные теоремы в схеме Бернулли: формула Пуассона, локальная и интегральная теоремы Муавры-Лапласа.
- •1.18 Схема Бернулли. Наивероятнейшее число
- •2.1.Понятие и определение случайной величины.
- •2.2. Закон распределения случайной величины. Многоугольник распределения.
- •2.3. Дискретные и непрерывные случайные величины
- •2.4.Дискретные случайные величины. Сумма, разность, произведение на число.
- •2.5. Произведение д.С.В. Независимость.
- •2.9. Числовые характеристики случайных величин. Мат ожидание. Свойства мат ожидания.
- •2.10. Числовые характеристики случайных величин. Дисперсия. Свойства. Среднее квадратное отклонение
- •2.11. Числовые характеристики случайных величин. Квантили. Мода, медиана. Начальные и центральные моменты.
- •2.12. Производящая функция (случай целочисленных случайных величин).
- •3.1. Понятие системы случайных величин. Закон распределения в дискретном случае.
- •3.8 Числовые характеристики. Математическое ожидание и дисперсия. Центр рассеивания.
- •3.9 Корреляционный момент. Свойства ковариации. Ковариационная матрица.
- •3.10 Коэффициент корреляции. Свойства. Линейная корреляционная зависимость.
- •3.11 Двумерное нормальное распределение. Центр рассеивания. Формула вероятности
- •3.12 Условное мат. Ожидание. Регрессия. Коэффициент линейной регрессии.
- •5.1 Неравенство Чебышёва
- •5.2 Неравенство Маркова для с.В. Принимающих неотрицательные значения
- •5.3 Сходимость по вероятности
- •5.4 Закон больших числе в форме Чебышёва
- •5.5 Закон больших чисел в форме Бернулли (схема Бернулли)
- •5.6 Центральная предельная теорема (формулировка, пример применения для решения задач)
- •5.7 Центральная предельная теорема в случае схемы Бернулли (теорема Муавра-Лапласа).
- •Глава 1. Случайные события
- •Глава 2. Случайные величины
- •Глава 3. Системы случайных величин
- •Глава 5. Предельные теоремы
3.9 Корреляционный момент. Свойства ковариации. Ковариационная матрица.
Корреляционным моментом случайных величин Х и У называют математическое ожидание произведения этих величин:
Для дискретных величин:
Для непрерывных:
Корреляционный момент характеризует наличие (отсутствие) связи между величинами X и У.
Свойства ковариации
Пусть X,Y — две случайные величины, определённые на одном и том же вероятностном пространстве. Тогда их ковариация определяется следующим образом:
1)ковариация симметрична
cov(X,Y)=cov(Y,X)
2) В силу линейности математического ожидания, ковариация может быть записана как:
3) Ковариация случайной величины с собой равна дисперсии:
cov(X,X)=D[X]
4) Если X,Y независимые случайные величины, то
cov(X,Y)=0
Ковариационная матрица- это матрица, составленная из попарных ковариаций элементов одного или двух случайных векторов.
Ковариационная матрица случайного вектора — квадратная симметрическая матрица, на диагонали которой располагаются дисперсии компонент вектора, а внедиагональные элементы — ковариациями между компонентами.
3.10 Коэффициент корреляции. Свойства. Линейная корреляционная зависимость.
Коэффициент корреляции-это мера линейной зависимости двух случайных величин.
Где Kxy обозначает ковариацию, а D- дисперсию.
Свойства:
1)
2) Коэффициент корреляции равен +- 1 тогда и только тогда, когда X и Y линейно зависимы:
3) Если X,Y независимые случайные величины, то qX,Y = 0. Обратное, вообще говоря, неверно.
Корреляционная зависимость между х и у называется линейной, если обе линии регрессии (по у и у по х) являются прямыми.
3.11 Двумерное нормальное распределение. Центр рассеивания. Формула вероятности
попадания в прямоугольник.
Двумерный случайный вектор имеет нормальное распределение, если его плотность равна
Средние значения (математические ожидания) М[x]=a M[Y]=b определяют точку (a,b) , называемую центром совместного распределения вероятностей или центром рассеивания.
Формула вероятности попадания…
3.12 Условное мат. Ожидание. Регрессия. Коэффициент линейной регрессии.
Условное мат.ожидание- это среднее значение случайной величины относительно условного распределения.
Функция g(Х) = α + βХ называется наилучшим приближением Y в смысле метода наименьших квадратов, если математическое ожидание М(Y - g(Х))2 принимает наименьшее возможное значение; функцию g(Х) называют среднеквадратической регрессией Y на Х.
Коэффициенты линейной регрессии показывают скорость изменения зависимой переменной по данному фактору, при фиксированных остальных факторах (в линейной модели эта скорость постоянна):
5.1 Неравенство Чебышёва
Пусть случайная величина
определена на вероятностном пространстве
а её математическое ожидание и дисперсия конечны. Тогда
Где а больше 0.
В частности, случайная величина с конечной дисперсией отклоняется от среднего больше, чем на 2 стандартных отклонения, с вероятностью меньше 25%. Она отклоняется от среднего на 3 стандартных отклонения с вероятностью меньше 11,2%.
5.2 Неравенство Маркова для с.В. Принимающих неотрицательные значения
Пусть Х - случайная величина, принимающая лишь неотрицательные значения. Тогда можно получить следующее неравенство:
; где
Док-во:
Для определенности предположим, что Х - непрерывная случайная величина с плотностью f(х). По определению математического ожидания получаем
Оба слагаемых в правой части не отрицательны, в силу условий леммы, поэтому
но теперь x ≥ τ, и следовательно