- •Классическое определение вероятности и ее свойства
- •Комбинаторные методы подсчета
- •3. Геометрический метод определения вероятности.
- •8. Понятие произведения событий
- •9. Понятие разности событий
- •10) Теорема сложения вероятностей несовместных событий
- •20. Наивероятнейшее число благоприятных исходов
- •21. Простейший поток событий
- •22. Случайные величины (дискретные и непрерывные)
- •23. Закон распределения дискретной случайной величины
- •24. Функция распределения дискретной случайной величины
- •25. Мат. Ожидание дискретной случайной величины. Свойства мат. Ожидания.
- •26. Дисперсия дискретной случайной величины
- •27. Закон распределения непрерывной случайной величины
- •28. Плотность вероятности непрерывной случайной величины
- •29. Мат ожидание и дисперсия непрерывной случайной велечины.
- •30. Среднее квадратическо отклонение, мода и медиана непрерывной случайной величины.
- •31.Начальные и центральные моменты непрерывной случайно величины
- •32.Биноминальный з-н распределения
- •35.Равномерное распределение
- •36. Показательный закон
- •37. Нормальное распределение
- •38. Свойства случайной величины, распеделенной по нормальному закону
- •39. Свойства нормального распределения
- •40. Распределение Пирсона
- •41. Распределение Стьюдента.
- •42. Распределение Фишера
- •43. Понятие многомерной случайной величины и закон ее распределения
- •44. Функция распределения многомерной случайной величины
- •45. Плотность вероятности двумерной случайной величины.
- •46. Зависимые и независимые случайные величины.
- •47.Ковариация и коэффициент корреляции. Свойства.
- •48 Закон больших чисел.
- •49. Неравенство Маркова
- •50. Неравенство Чебышева
- •51. Теорема Чебышева
- •52. Теорема Бернулли
- •53. Центральная предельная теорема (цпт)
- •54. Элементы статистики. Понятие об оценке параметров
- •55. Оценка мат ожидания и дисперсии по выборке
- •56. Вариационный ряд
- •58. Основы математической теории выборочного метода
- •59. Оценка вероятности по относительной частоте. Доверительный интервал.
- •60. Оценка параметров в статистике
- •61. Дисперсионный анализ. Однофакторный комплекс.
- •62. Корреляционный анализ. Регрессия.
- •63. Линейная регрессия. Метод наименьших квадратов.
39. Свойства нормального распределения
1. Для справедливо соотношение:
2.
3. Если , то для любого
4. Если , то
40. Распределение Пирсона
Распределение Пирсона χ2 («хи-квадрат») – распределение случайной величины
где случайные величины X1, X2,…, Xn независимы и имеют одно и тоже распределение N(0,1). При этом число слагаемых, т. е. n, называется «числом степеней свободы» распределения хи-квадрат.
С увеличением числа степеней свободы распределение медленно приближается к нормальному.
Распределение «хи-квадрат» используют при оценивании дисперсии (с помощью доверительного интервала), при проверке гипотез согласия, однородности, независимости, прежде всего для качественных (категоризованных) переменных, принимающих конечное число значений, и во многих других задачах статистического анализа данных.
41. Распределение Стьюдента.
Распределением Стьюдента (или Г-распределением) называется распределение случайной величины
где Z — случайная величина, распределенная по стандартному нормальному закону, т. е. N(0;1);
χ2 — независимая от Z случайная величина, имеющая χ2-распределение с k степенями свободы.
Плотность вероятности распределения Стьюдента имеет вид:
где Г(у) — гамма-функция Эйлера в точке y.
На рисунке показана кривая распределения Стьюдента. Как и стандартная нормальная кривая, кривая Г-распределения симметрична относительно оси ординат, но по сравнению с нормальной более пологая.
При k→ t-распределение приближается к нормальному. Практически уже при k˃30 можно считать t-распределение приближенно нормальным.
Математическое ожидание случайной величины, имеющей t-распределение, в силу симметрии ее кривой распределения равно нулю, а ее дисперсия равна k/(k-2), т. е.
42. Распределение Фишера
Распределением Фишера (или F-распределением) называется распределение случайной величины
где и — случайные величины, имеющие распределение соответственно с k1 и k2 степенями свободы.
Плотность вероятности /"-распределения имеет вид:
г де Г(y) — гамма-функция Эйлера в точке y.
На рисунке показаны кривые А-распределения при некоторых значениях числа степеней свободы k1 и k2. При n→ F-распределение приближается к нормальному закону.
43. Понятие многомерной случайной величины и закон ее распределения
Часто результат испытания характеризуется не одной случайной величиной, а некоторой системой случайных величин X1, X2,…, Xn, которую называют также многомерной (n-мерной) случайной величиной или случайным вектором X = (X1, X2,…, Xn).
В теоретико-множественной трактовке любая случайная величина Xi (I = 1, 2,…, n) есть функция элементарных событий , входящих в пространство элементарных событий (). Поэтому и многомерная случайная величина есть функция элементарных событий :
(X1, X2,…, Xn) = f()
т. е. каждому элементарному событию ставится в соответствие несколько действительных чисел x1, x2,…, xn, которые приняли случайные величины X1, X2,…, Xn в результате испытания. В этом случае вектор x = (x1, x2,…, xn) называется реализацией случайного вектора X = (X1, X2,…, Xn).
Случайные величины X1, X2,…, Xn, входящие в систему, могут быть как дискретными, так и непрерывными.