- •1. Понятие о первообразной и неопределенном интеграле.
- •2. Основные свойства неопределенного интеграла.
- •3. Основные методы интегрирования. Метод замены переменной интегрирования.
- •4. Основные методы интегрирования. Интегрирование по частям.
- •5. Интегрирование простейших иррациональностей.
- •6. Понятие определенного интеграла.
- •7. Геометрический смысл определенного интеграла.
- •8. Основные свойства определенного интеграла.
- •9. Интеграл с переменным верхним пределом. Формула Ньютона-Лейбница.
- •11. Несобственные интегралы с бесконечными пределами интегрирования. Несобственные интегралы с бесконечными пределами интегрирования
- •22. Решение линейного неоднородного дифференциального уравнения методом вариации произвольных постоянных.
- •28. Понятие знакочередующегося ряда. Теорема Лейбница.
- •31. Классическое определение вероятности.
- •32. Свойства вероятности.
- •33. Понятие относительной частоты. Статистическая вероятность.
- •34. Геометрические вероятности.
- •35. Основные формулы комбинаторики.
- •36. Теоремы сложения вероятностей.
- •37. Теоремы умножения вероятностей.
- •38. Формула полной вероятности.
- •39. Вероятность гипотез. Формулы Бейеса.
- •40. Повторение испытаний. Формула Бернулли.
- •41. Повторение испытаний. Локальная теорема Лапласа.
- •42. Повторение испытаний. Интегральная теорема Лапласа.
- •45. График функции распределения.
- •46. Плотность распределения вероятностей нсв. Свойства плотности распределения.
- •47. Нахождение функции распределения по известной плотности распределения.
- •48. Математическое ожидание дсв.
- •49. Свойства математического ожидания. Математическое ожидание числа появлений события в независимых испытаниях.
- •50. Дисперсия дискретной случайной величины.
- •51. Свойства дисперсии. Дисперсия числа появлений события в независимых испытаниях.
- •52. Числовые характеристики непрерывных случайных величин.
- •53. Понятие о теоретических моментах распределения.
- •Влияние параметров нормального распределения на форму нормальной кривой.
- •81. Статистическая проверка параметрических гипотез. Ошибки первого и второго рода. П.2. Ошибки первого и второго рода.
- •Проверка гипотез равенства математических ожиданий двух случайных величин (большие независимые выборки).
- •89. Геометрическая интерпретация и графическое решение злп.
- •90. Понятие симплексного метода.
- •91. Понятие двойственности. Построение пары взаимно двойственных
- •92. Первая теорема двойственности и ее экономическое содержание.
- •93. Вторая теорема двойственности и ее экономическое содержание.
- •1. Понятие о первообразной и неопределенном интеграле.
- •2. Основные свойства неопределенного интеграла.
- •3. Основные методы интегрирования. Метод замены переменной интегрирования.
50. Дисперсия дискретной случайной величины.
На практике часто требуется оценить рассеяние возможных зн-ий СВ вокруг её среднего зн-я.
Поэтому наряду с мат ожиданием вводят и др числовые характеристики, например, дисперсию.
Определение 21.8 Отклонением назыв разность между СВ Х и её мат ожиданием М(х), т.е. х-М(х).
Если закон распред-я СВ Х известен:
х |
|
|
… |
|
р |
|
|
… |
|
то отклонение имеет след закон рапред-я:
Х -М(х) |
-М(х) |
-М(х) |
… |
|
р |
|
|
… |
|
Теорема 21.3 Мат ожидание отклонения равно нулю, т.е. М[х-М(х)]=0
Определение 21.9 Дисперсией (рассеянием) ДСВ назыв мат ожидание квадрата отклонения СВ от её мат ожидания:
D(х)= (21.8)
Для вычисления дисперсии часто бывает удобно польз-ся след.теоремой
Теорема 21.4 Дисперсия равна разности между мат ожиданием квадрата СВ и квадратом её мат ожидания:
D(х)= (21.9)
51. Свойства дисперсии. Дисперсия числа появлений события в независимых испытаниях.
Св-во 1: Дисперсия пост величины С равно нулю: D(c)=0
Св-во 2: Постоянный множитель можно выносить за знак дисперсии, возводя его в квадрат:
D(сХ)= D(х)
Сво-во 3: Дисперсия суммы 2-х независ-х СВ равна сумме дисперсий этих величин:
D(х+у)=D(х)+D(у)
Св-во 4: Дисперсия разности 2-х независимых СВ равна сумме их дисперсий:
D(х-у)=D(х)+D(у)
Доказательство
П.6 Дисперсия числа появлений события в независимых испытаниях;
Пусть производится n независимых испытаний, в каждом из котор вер-ть появления события А постоянна. Опр-ть дисперсию числа появлений события в этих испытаниях можно, исходя из след теоремы;
Теорема 21.5. Дисперсия числа появлений события А в n независимых испытаниях, в каждом из котор вер-ть Р появления события постоянна, равна произв-ю числа испытаний на вер-ти появления и непоявление события в одном испыт.:
D(x)=прq (21.10)
52. Числовые характеристики непрерывных случайных величин.
53. Понятие о теоретических моментах распределения.
54. Биномиальное распределение. Пусть произв-ся n независимых испытаний, в каждом из котор-х событие А может появиться либо не появиться. Вер-ть наступления события во всех испытаниях постоянна и равна р(следовательно, вер-ть непоявл. q=1-p).
Рассм-м в кач-ве ДСВ Х число появлений события А в этих испытаниях.
Поставим перед собой задачи: найти закон распределения величины Х. Для её решения требуется опр-ть возможные зн-ия Х и их вер-ти.
Очевидно, событие А в n испытаниях может либо не появиться, либо появиться 1 раз, либо 2 раза,…, либо n раз. Таким образом, возможные зн-ия Х таковы:
Х1=0, Х2=1, Х3=2,…, =n
Остается найти вер-ти этих возможных зн-ий, для чего достаточно воспольз-ся ф-лой Бернулли:
, где k=0,1,2,…n (22.1)
Формула (22.1) и явл-ся аналитическим выражением искомого закона распределения.
Биномиальным называют распред-е вер-ей, определяемое формулой Бернулли.
Напишем биномиальный закон распред-я в виде таблицы:
х |
n |
n-1 |
… |
k |
… |
0 |
р |
|
n q |
… |
|
… |
|
Пример 22.1 Монета брошена 2 раза. Написать в виде таблицы закон распред-я СВ Х – числа выпадений «герба».
Решение. Вер-ть появления «герба» в каждом бросании монеты р= , следоват-но, вер-ть непоявл-ия «герба» q=1 - =
При двух бросаниях монеты «герб» может появиться либо 2 раза, либо 1 раз, либо совсем не появиться.
Таким образом, возможные зн-ия Х таковы:
Х1=0, Х2=1,Х3=2
Найдем вер-ти этих возм-х зн-ий по формуле Бернулли:
Напишем искомый закон распред-я:
х |
0 |
1 |
2 |
р |
0,25 |
0,5 |
0,25 |
Контроль: 0,25+0,5+0,25=1
55. Распределение Пуассона. Пусть производится n независимых испытаний, в каждом из которых вер-ть появления события А равна р. Для определения вер-ти k появлений события А в этих испытаниях исп-ют формулу Бернулли. Если же n велико, то пользуются асимптотической формулой Лапласа.
однако эта формула непригодна, если вер-ть события мала (р ≤ 0,1). В этих случаях (n велико, р мало) прибегают к асимптотической формуле Пуассона:
Рn(k)= (22,2)
Эта формула выражает закон распределения Пуассона вер-тей массовых (n велико) и редких (р мало) событий.
Замечание 1. Произведение np сохраняет постоянное значение, а именно np= .
Это означает, что среднее число появлений события в различных сериях испытаний, т.е. при различных значениях n, остается неизменной.
Замечание 2. Имеются специальные таблицы, пользуясь которыми можно найти Рn(k), зная k и .
Пример 22.2 Завод отправляет на базу 5000 доброкач-х изделий. Вер-ть того,что в пути изделие повредится, равна 0,0002. Найти вер-ть того,что на базу прибудут 3 негодных изделия.
Решение. По усл-ю n=5000, р=0,0002, k=3. Найдем :
=np=5000*0,0002=1.
Тогда по формуле Пуассона искомая вер-ть приближенно равна:
Р5000 (3)= = = = 0,06.
56. Простейший поток событий. Рассмотрим события, кот. наступают в случайные моменты времени.
Определение 22.1 Потоком событий наз. послед-ть событий, кот. наступают в случайные моменты времени.
Примерами потоков служат: поступления вызовов на пункт неотложной помощи и др.
Определение 22.2 Простейшим (Пуассоновским) наз. поток событий, кот. обладает св-ми стационарности, отсутствия последствия и ординарности.
Св-во стационарности хар-ся тем,что вер-ть появления k событий на любом промежутке времени зависит только от числа k и от длительности t промежутка и не зависит от начала его отсчета; при этом различные промежутки времени предполагаются непересекающмися.
Например, вер-ти появления событий на промежутках времени (1;7), (10;16), (Т;Т+6) одинак. длительности t=6, ед. времени равны между собой.
Св-во ординарности хар-ся тем,что появление двух и более событий за малый промежуток времени практически невозможно.
Следовательно, если поток обладает св-вом ординарности, то за бесконечно малый промежуток времени может появиться не более одного события.
Св-во отсутствия послед-я хар-ся тем,что вер-ть появления k событий на любом промежутке времени не зависит от того, появлялись или не появлялись события в моменты времени, предшествующие началу рассматриваемого промежутка.
Таким образом, предыстория потока не сказывается на вер-ти появления событий в ближайшем будущем, что означает, что имеет место взаимная независимость появлений того или иного числа событий в непересекающиеся промежутки времени.
Определение 22.3 Интенсивностью потока наз. ср. число событий, кот. появляются в ед.вр. Доказано, что если постоянная интенсивность потока известна, то вер-ть появления k событий простейшего потока за время длительностью t опред-ся формулой Пуассона:
Рt (k)= (22.3)
Формула Пуассона отражает все св-ва простейшего потока, поэтом ее можно считать моделью простейшего потока событий.
57. Геометрическое распределение. Пусть производятся независ-е испытания, в каждом из кот. вер-ть появления события А равна р. Испытания заканчиваются, как только событие А. Таким образом, если событие А появилось в
k-ом испытании, то в предшествующих k-1 испытаниях оно не появлялось.
Обозначим через ДСВ Х- число испытаний, кот. нужно провести до первого появления события А.
Очевидно, возможными значениями Х явл. натуральные числа: х1 = 1, х2 = 2,…
Пусть в первых k-1 испытаниях событие А не наступило, а в k-м испытании появилось. Вер-ть этого «сложного события» по теореме умножения вер-тей независимых событий
Р (х=k) = p (22.4)
Полагая k=1,2…в формуле (22,4), получим геометрическую прогрессию с первым членом р и знаменателем q(0<q<):
р, qp, p,…, p,… (*)
По этой причине распределение (22,4) наз. геометрическим.
Легко убедиться, что ряд (*) сходится и сумма его равна 1. Действительно,
= = 1.
Пример 22.4 Из орудия производится стрельба по цели до первого попадания. Вер-ть попадания в цель р=0,6. Найти вер-ть того, что попадание произойдет при третьем выстреле.
Решение. По усл-ю р=0,6; q=0,4; k=3. Искомая вер-ть по формуле (22.4)
Р(х=3)= p= *0,6 = 0,096.
58. Гипергеометрическое распределение. Пусть в партии из N изделий имеются m1 стандартных (m1<N). Из партии случайно отбирают k изделий. Каждое изделие может быть извлечено с одинаковой вероятностью, причём отобранное изделие перед отбором предыдущего не возвращают в партию, поэтому формула Бернулли не применима.
Обозначим через Х случайную величину – число стандартных изделий среди k отобранных. Очевидно, возможные значения Х таковы: 0, 1, 2,… min(m1;k)
Найдем вероятность того, что x=k то есть что среди k отобранных изделий равно k1 стандартных. Используем для этого классическое определение вероятности. Искомая вероятность равна отношению числа исходов благоприятствующих событию x=k1 к числу всех элементарных исходов
P(x=k1) = (22.5)
Функция 22.5 определяет распределение вероятностей, которые называются гипергеометрическими.
Заметим, что если k значительно меньше N (практически, если k< 0,1N), то гипергеометрическое распределение даёт вероятности близкие к вероятностям найденным по биномиальному закону.
Пример 22.5: Среди 50 изделий 20 окрашенных. Извлечены 4 изделия, составить закон распределения случайной величины Х – число окрашенных изделий среди извлечённых.
Решение: по условию n =30, m1 = 20, k=4. Значение k1: 0, 1, 2, 3, 4.
Найдём значение вероятности:
P(X=0) = 0.119
P(X=1) = 0.353
P(X=2) = 0.358
P(X=3) = 0.149
P(X=4) = 0.021
Напишем закон распределения:
Х |
0 |
1 |
2 |
3 |
4 |
Р |
0.119 |
0.353 |
0.358 |
0.149 |
0.021 |
Контроль: 0.119+0.353+0.358+0.149+0.021=1
59. Равномерное распределение. Определение 23.1. Равномерным называют распределение вероятностей непрерывной случайной величины , если на интервале , которому принадлежат все возможные значения , плотность сохраняет постоянное значение: , вне этого интервала .
Приведем пример равномерно распределенной случайной величины.
Пример 23.1. Шкала измерительного прибора проградуирована в некоторых единицах. Ошибку при округлении отсчета до ближайшего целого деления можно рассматривать как случайную величину , которая может принимать с постоянной плотностью вероятности любое значение между двумя соседними целыми делениями. Таким образом, имеет равномерное распределение.
Решение. Найдем плотность равномерного распределения , считая, что все возможные значения СВ заключены в интервале , на котором функция сохраняет постоянные значения.
По условию, не принимает значений вне интервала , поэтому при и .
Найдем постоянную . Так как все возможные значения СВ принадлежат интервалу , то должно выполняться соотношение или .
Откуда: .
Итак, искомая плотность вероятности равномерного распределения имеет вид:
График плотности равномерного распределения изображен на рисунке 23.1.
60. Нормальное распределение. Определение 23.2. Нормальным называют распределение вероятностей НСВ, которое описывается плотностью
. (23.1)
Так как нормальное распределение определяется двумя параметрами: и , то достаточно знать эти параметры, чтобы задать нормальное распределение. При этом вероятностный смысл этих параметров таков: есть математическое ожидание, – среднее квадратическое отклонение.
Замечание 1. Общим называют нормальное распределение с произвольными параметрами и . Нормированным называют распределение с параметрами и , при этом плотность нормированного распределения имеет вид: .
Замечание 2. Функция общего нормального распределения имеет вид:
,
а функция нормированного распределения .
Замечание 3. Вероятность попадания нормированной нормальной величины в интервал можно найти, пользуясь функцией Лапласа Ф (§ 20.12). Действительно,
Ф .
Отметим также, что Ф .
Замечание 4. Вероятность того, что примет значение, принадлежащее интервалу равна:
Ф – Ф . (23.2)
61.Нормальная кривая. Влияние параметров нормального распределения на форму нормальной кривой. График плотности нормального распределения называют нормальной кривой (кривой Гаусса). При этом:
1) функция определена на всей оси ;
2) при всех значениях функция принимает положительные значения, т.е. нормальная кривая расположена над осью ;
3) ось служит горизонтальной асимптотой графика функции, т.к. ;
4) функция имеет максимум, равный ;
5) график функции симметричен относительно прямой , т.к. разность содержится в аналитическом выражении функции в квадрате;
6) точки графика и являются точками перегиба.
Нормальная кривая при и изображена на рисунке 23.2.