- •1. События и их классификация. Классическое определение вероятности
- •2. Элементы комбинаторики: перестановки, сочетания, размещения, правило умножения и правило сложения
- •3. Действия над событиями. Соотношения между событиями
- •4. Теорема сложения вероятностей несовместных событий.
- •5. Теорема сложения вероятностей совместных событий.
- •6. Частота события и ее свойства. Статистическое определение вероятности.
- •7. Условная вероятность. Теорема умножения вероятностей. Вероятность появления хотя бы 1 события
- •8. Формула полной вероятности. Формулы Байеса
- •9. Повторные независимые испытания. Формула Бернулли. Наивероятнейшее число появления события
- •10. Повторные независимые испытания. Формула Пуассона
- •11. Повторные независимые испытания. Локальная и интегральная теорема Лапласа
- •12. Понятие случайной величины и ее функции распределения. Свойства функции распределения
- •13. Дискретные случайные величины. Числовые характеристики (математическое ожидание, дисперсия, среднее квадратическое отклонение, начальные и центральные моменты, асимметрия и эксцесс)
- •14. Биномиальный закон распределения
- •15. Распределение Пуассона
- •16. Непрерывные случайные величины. Плотность распределения. Числовые характеристики (математическое ожидание, дисперсия, среднее квадратическое отклонение)
- •17. Равномерное распределение. Вероятность попадания случайной величины в заданный интервал
- •18. Показательное распределение. Вероятность попадания случайной величины в заданный интервал
- •Характеристики
- •19. Нормальное распределение. Вероятность попадания в заданный интервал нормальной случайной величины. Правило 3-х сигм
- •20. Функции случайных величин
- •21. Понятие системы случайных величин. Закон распределения двумерной случайной величины. Функция распределения двумерной случайной величины
- •22. Понятие о законе больших чисел. Неравенства Маркова и Чебышева
- •23. Теоремы Чебышева и Бернулли. Центральная предельная теорема
- •24. Цепи Маркова. Применение Марковских цепей в экономике
- •25. Выборочный метод. Основные понятия. Полигон и распределения. Эмпирическая функция распределения.
- •26. Оценка параметров по выборке. Понятие несмещённости, состоятельности и эффективности оценки
- •27. Основные характеристики генеральной и выборочной совокупностей
- •28. Связь между характеристиками генеральной и выборочной совокупностей.
- •29. Точечные и интервальные оценки. Доверительная вероятность и доверительный интервал.
- •30. Доверительный интервал для оценки мат.Ожидания нормального распределения
- •31. Понятие корреляционной зависимости. Корреляционная таблица. Линейная корреляция
- •32. Метод наименьших квадратов для определения параметров линейной регрессии
- •33. Статистическая гипотеза. Основные понятия
- •34. Уровень значимости и мощность критерия. Этапы проверки стат.Гипотезы
- •Этапы проверки статистических гипотез
- •35. Проверка гипотезы о значимости выборочного коэффициента корреляции
- •36.Проверка гипотезы о нормальном распределении генеральной совокупности. Критерий согласия Пирсона
- •37. Основные понятия дисперсионного анализа
22. Понятие о законе больших чисел. Неравенства Маркова и Чебышева
Суть закона больших чисел. Если число случайных величин неограниченно растет, то их среднее арифметическое утрачивает смысл случайной величины и стремится к постоянному числу равному среднему арифметическому их матожиданий.
Для теории вероятности большую роль играют вероятности, которые близки либо к 0, либо к 1. Особую роль при этом играют случайные величины, которые представляют собой сумму большого количества случайных величин.
Последовательность случайных величин 1, 2 и т.д. сходится к по вероятности, если для >0
Неравенство Чебышева Вероятность того, что отклонение случайной величины X от ее математического ожидания по абсолютной величине больше положительного числа , не больше чем, D(x)/ 2.(дисперсия должна быть ограничена и )
Докажем, это неравенство для непрерывной случайной величины с плотностью вероятности P(X) Неравенство Чебышева часто используется для противоположного события
23. Теоремы Чебышева и Бернулли. Центральная предельная теорема
Если X1, X2,…,Xn – последовательность независимых случайных величин, имеющих конечные дисперсии, ограниченные одним и тем же числом С, то для любого С>0 выполняется
Доказательство.Введем в рассмотрение случайную величину – среднее арифметическое случайных величин
Найдем матожидание
И дисперсию
Следовательно – дисперсия конечная. Тогда к применим неравенство Чебышева
Переходя к пределу получим
А так как вероятность не может быть больше 1, то предел равен 1.
Следствием теоремы Чебышева является теорема Бернулли.
Пусть - число появления события А в n испытаниях в схеме Бернулли, и p – вероятность появления А в одном испытании. Тогда для любого справедливо -частота появления события.
Пусть , где - число появления события А в i-ом испытании.
Дисперсия любой величины равна произведению pq, так как p+q=1, то p*q не превышает ¼, и следовательно дисперсии всех величин ограничены числом c=1/4
Применим теорему Чебышева
так как матожидание равно вероятности наступления события.
Так как равна относительной частоте появления события А (m/n)(каждая величина 1, 2, n при появлении события в соответствующем испытании равна 1 и поэтому их суму равна m), то окончательно получим .
Пусть - последовательность независимых случайных величин. Обозначим через их сумму.
Говорят, что к последовательности применима центральная предельная теорема, если
По определению F(x)=P(
Суть ЦТП Если число случайных величин неограниченно растет, то их сумма стремится к нормальному распределению независимо от того как распределены слагаемые.
В природе все имеет нормальное распределение.
Частным случаем ЦПТ является интегральная теорема Муавра-Лапласса. Если в ней подставить , а вместо b=x, то
24. Цепи Маркова. Применение Марковских цепей в экономике
Теорема. Если сл\в Х примет только неотриц знач и имеет мат\ожидание, то для любого положительного числа А верно неравенство: . Доказательство для дискретной сл\в Х: Расположим значения дискр сл\в Х в порядке возрастания, из кот часть значений будет не больше числаА, а др часть будут больше А, т.е
Запишем выражение для м\о M(X): , где
- вер-ти т\ч сл\в Х примет значения . Отбрасывая первые k неотрицательных слагаемых получим: . Заменяя в этом неравенстве значения меньшим числом, получим неравенство: или . Сумма вер-тей в левой части представляет сумму вер-ей событий , т.е вер-ть соб Х>А. Поэтому . Т.к события и противоположные, то заменяя выражением , придём к др форме неравенства Маркова: . Неравенство Маркова применимо к любым неотрицательным сл\в.