- •Вопрос 15. Геометрическое и гипергеометрическое распределения.
- •Вопрос 16. Математическое ожидание дискретной случайной величины и его свойства.
- •Вопрос 17. Вероятностный смысл мат. Ожидания. Математическое ожидание числа появлений события в независимых испытаниях.
- •Вопрос 18. Дисперсия дискретной случайной величины и ее свойства. Введем случайную величину представляющую собой отклонение от математического ожидания.
- •Вопрос 19. Дисперсия числа появления событий в независимых испытаниях. Среднее квадратическое отклонение.
- •Вопрос 20. Мат. Ожидание, дисперсия и среднее квадратическое отклонение среднего арифметического одинаково распределенных взаимно независимых величин.
- •Вопрос 21. Неравенство Чебышева.
- •Вопрос 22. Теорема Чебышева.
- •Вопрос 23. Теорема Бернулли.
- •Вопрос 24. Функция распределения и ее свойства.
- •Вопрос 25. Плотность распределения, ее свойства.
- •Вопрос 26. Вероятность попадания случайной величины в заданный интервал. Нахождение функции распределения по известной плотности распределения. Вероятностный смысл плотности распределения.
- •Вопрос 27. Числовые характеристики непрерывной случайной величины. Числовые характеристики св
- •Математическое ожидание (мо)
- •Мо основных св
- •Дисперсия св
- •Дисперсия основных св
- •Математическое ожидание и дисперсия суммы случайных величин
- •Вопрос 28. Закон равномерного распределения.
- •Вопрос 29. Нормальное распределение
- •Вопрос 30. Нормальная кривая (Кривая Гаусса).
- •Вопрос 31. Вероятность попадания нормально распределенной случайной величины в интервал.
- •Вопрос 32. Вероятность отклонения нормально распределенной случай ной величины.
- •Вопрос 33. Показательное распределение
- •Вопрос 34. Функция надежности
- •Вопрос 35. Закон распределения вероятностей двумерной случайной величины.
- •Вопрос 36. Вероятность попадания случайной величины в полуполосу.
- •Вопрос 37. Плотность совместного распределения вероятностей непрерывной двумерной случайной величины.
- •Вопрос 38. Нахождение плотностей вероятности составляющих двумерной случайной величины.
- •Вопрос 39. Зависимые и независимые случайные величины. Корреляционный момент и коэффициент корреляции.
- •Вопрос 40. Коррелированность и зависимость случайных величин.
- •Вопрос 41. Нормальное распределение на плоскости.
- •Вопрос 42. Линейная регрессия. Прямые линии среднеквадратической регрессии.
- •Вопрос 43. Характеристическая функция случайной величины. Основные свойства. Формула обращения и теорема единственности.
- •Вопрос 44. Цепи Маркова. Вероятность перехода за n шагов. Эргодическая теорема Маркова.
- •Вопрос 45. Марковские процессы. Процессы гибели и размножения
- •Вопрос 46. Стационарный случайный процесс. Теорема Хинчина.
- •Вопрос 47. Понятие стохастического интеграла. Теорема о спектральном представлении.
- •Вопрос 48. Задачи математической статистики. Выборка. Статистический и вариационный ряды.
- •Вопрос 49. Полигон и гистограмма. Эмпирическая функция распределения.
- •Вопрос 50. Понятие оценки параметров распределения. Оценка генеральной средней по выборочной средней.
- •Вопрос 51. Генеральная и выборочная дисперсия. Вычисление дисперсии.
- •Вопрос 52. Оценка генеральной дисперсии по исправленной выборочной.
- •Вопрос 53. Доверительные интервалы для оценки математического ожидания нормального распределения при известном .
- •Вопрос 54. Доверительные интервалы для оценки математического ожидания нормального распределения при неизвестном .
- •Вопрос 55. Доверительные интервалы для оценки среднего квадратического отклонения нормального распределения.
- •Вопрос 56. Оценка вероятности биномиального распределения по относительной частоте.
- •Вопрос 57. Выборочные уравнения регрессии.
- •Вопрос 58. Выборочный коэффициент корреляции.
- •Вопрос 59. Понятие статистической гипотезы. Статистический критерий проверки нулевой гипотезы
- •Вопрос 60. Критическая область. Отыскание критической области.
- •Вопрос 61. Сравнение двух дисперсий нормальных генеральных совокупностей.
- •Вопрос 62. Проверка гипотезы о нормальном распределении. Критерий согласия Пирсона.
Вопрос 44. Цепи Маркова. Вероятность перехода за n шагов. Эргодическая теорема Маркова.
Цепью Маркова называется последовательность испытаний, в каждом из которых возможно появление одного из n-независимых событий , образующих полную группу. Причем, вероятность того, что при S-том испытании появляется событие Аj зависит от того, какое событие Аi произойдет в предыдущем S-1испытании и не зависит от исходов всех предшествующих S-1 испытанию. Вероятность того, что в S-ом испытании произойдет Аj событие при условии, что в предыдущем испытании произойдет Аi: Рij(S). Однородной цепью Маркова называют такую цепь Маркова при условии, что условная вероятность Рij(S) (перехода из состояния i в состояние j) не зависит от номера испытания. Поэтому вместо Рij(S) пишут просто Рij . Переходной вероятностью Рij называют условную вероятность того, что из состояния i, в котором система оказалась в результате некоторого испытания) в итоге следующего испытания система перейдет в состояние j. Пусть число состояний конечно и равно k. Матрицей перехода системы называют матрицу, которая содержит все переходные вероятности этой системы: Сумма вероятностей, стоящих в каждой строке, =1, т.е. образуют полную группу. Другими словами сумма переходных вероятностей каждой строки матрицы перехода равна единице: (i=1, 2, …k). Равенство Маркова: Обозначим через Рij (n) вероятность того, что в результате n-шагов система перейдет из состояния i в состояние j. Например, Р25(10) – вероятность перехода за 10 шагов из второго состояния в пятое. При n=1 получим переходные вероятности Рij(1)=рij. Решим задачу: зная переходные вероятности рij, найти вероятности Рij (n) перехода системы из состояния i в состояние j за n шагов. С этой целью введем в рассмотрение промежуточное (между i и j) состояние r. По другому, будем считать, что из первоначального состояния I за m шагов система перейдет в промежуточное состояние r с вероятностью Рir (m), после чего за оставшиеся n-m шагов из промежуточного состояния r она перейдет в конечное состояние j с вероятностью Рij (n-m). По формуле полной вероятности, . Эту формулу называют равенством Маркова.
Эргодическая теорема Маркова: Если при некотором достаточно большом значении k>0 все элементы матрицы перехода за k шагов положительные, т.е.нет 0, тогда существуют такие постоянные значения Рj, что справедливо равенство: . Суть теоремы: Вероятности Рj можно рассматривать как вероятности того, что система находится в состоянии после k испытаний.
Вопрос 45. Марковские процессы. Процессы гибели и размножения
Случайной функцией называют функцию неслучайного аргумента t, которая может принимать случайные значения. Пусть u-случайная величина, t – неслучайный аргумент, . Случайным процессом называют случайную функцию, где t – время. Марковский случайный процесс – процесс, в котором система может случайным образом переходить из одного фиксированного состояния в другое. Причем состояние, в котором система находится в конкретный момент времени t , зависит только от того в каком состоянии система находилась в предшествующий момент времени и не зависит от того, в каком состоянии система находилась до этого в прошлом. Цепь Маркова – это Марковский случайный процесс с конечным числом состояний и переходом из состояния в состояние в фиксированные моменты времени. Существуют также процессы Маркова, переходящие из состояния в состояние происходит непрерывно и имеющие бесконечное множество состояний. Пример: Процессы гибели и размножения.
Пусть некоторая система может находится в одном из следующих состояний Е0, Е1,….. Еi. Под состоянием Еi понимают количество элементов системы. Предполагаем, что за ничтожно малый промежуток времени h система из состояния Еk может перейти в Еk+1 (численность увелич. на 1) с вероятностью такого перехода или перейти в Еk-1 c вероятностью , причем и не зависят от времени t, а зависят от того в каком состоянии система находилась в предшествующий момент времени. Предположим, что , то Ек, где >1, вероятность = ничтожно мала по сравнению с указанными выше вероятностями и . Вероятность Ек будет =1-h- h. В случае, когда все =0, получаем процесс чистой гибели. В случае, когда =0, получаем процесс чистого размножения. В силу того, что и не зависят от t, а зависят от предшествующего состояния –эти процессы являются процессами Марковского типа.