- •Классификация случайных событий. Классическое определение вероятности. Свойства вероятности события, непосредственный подсчет вероятности. Примеры.
- •Свойства вероятности события:
- •Статистическое определение вероятности события и условия его применимости. Пример.
- •Несовместные и совместные события. Сумма событий. Теорема сложения вероятностей (с доказательством).
- •Полная группа событий. Противоположные события. Соотношение между вероятностями противоположных событий (с выводом).
- •Зависимые и независимые события. Произведение событий. Понятие условной вероятности. Теорема умножения вероятностей (с доказательством).
- •Формулы полной вероятности и Байеса (с доказательством). Примеры.
- •Повторные независимые испытания. Формула Бернулли (с выводом). Примеры.
- •Локальная теорема Муавра-Лапласа, условия ее применимости. Свойства функции Дх). Пример.
- •Асимптотическая формула Пуассона и условия ее применимости. Пример.
- •Интегральная теорема Муавра-Лапласа и условия ее применимости. Функция Лапласа ф(х) и ее свойства. Пример.
- •Следствия из интегральной теоремы Муавра-Лапласа (с выводом). Примеры.
- •Математическое ожидание дискретной случайной величины и его свойства (с выводом). Примеры.
- •Дисперсия дискретной случайной величины и ее свойства (с выводом). Примеры.
- •Функция распределения случайной величины, ее определение, свойства и график.
- •Непрерывная случайная величина (нов). Вероятность отдельно взятого значения нсв. Математическое ожидание и дисперсия нсв.
- •Плотность вероятности непрерывной случайной величины, ее определение, свойства и график.
- •Случайная величина, распределенная по биномиальному закону, ее математическое ожидание и дисперсия. Закон распределения Пуассона.
- •Математическое ожидание и дисперсия числа и частости наступлений события в п повторных независимых испытаниях (с выводом).
- •Определение нормального закона распределения. Теоретико-вероятностный смысл его параметров. Нормальная кривая и зависимость ее положения и формы от параметров.
- •Функция распределения нормально распределенной случайной величины и ее выражение через функцию Лапласа.
- •Формулы для определения вероятности: а) попадания нормально распределенной случайной величины в заданный интервал; б) ее отклонения от математического ожидания. Правило «трехсигм».
- •Понятие двумерной (/7-мерной) случайной величины. Примеры. Таблица ее распределения. Одномерные распределения ее составляющих. Условные распределения и их нахождение по таблице распределения.
- •Ковариация и коэффициент корреляции случайных величин. Связь между екоррелированностью и независимостью случайных величин.
- •Понятие о двумерном нормальном законе распределения. Условные математические ожидания и дисперсии.
- •Неравенство Маркова (лемма Чебышева) (с выводом). Пример.
- •Неравенство Чебышева (с выводом) и его частные случаидля случайной величины, распределенной по биномиальному закону, и для частости события.
- •Теорема Чебышева (с доказательством), ее значение и следствие. Пример.
- •Закон больших чисел. Теорема Бернулли (с доказательством) и ее значение. Пример.
- •Неравенство Чебышева для средней арифметической случайных величин (с выводом).
- •Центральная предельная теорема. Понятие о теореме Ляпунова и ее значение. Пример.
- •Вариационный ряд, его разновидности. Средняя арифметическая и дисперсия ряда. Упрощенный способ их расчета.
- •Понятие об оценке параметров генеральной совокупности. Свойства оценок: несмещенность, состоятельность, эффективность.
- •Оценка генеральной доли по собственно-случайной выборке. Несмещенность и состоятельность выборочной доли.
- •Оценка генеральной средней по собственно-случайной выборке. Несмещенность и состоятельность выборочной средней.
- •Оценка генеральной дисперсии по собственно-случайной выборке. Смещенность и состоятельность выборочной дисперсии (без вывода). Исправленная выборочная дисперсия.
- •Понятие об интервальном оценивании. Доверительная вероятность и доверительный интервал. Предельная ошибка выборки. Ошибки репрезентативности выборки (случайные и систематические).
- •Формула доверительной вероятности при оценке генеральной средней. Средняя квадратическая ошибка повторной и бесповторной выборок и построение доверительного интервала для генеральной средней.
- •Определение необходимого объема повторной и бесповторной выборок при оценке генеральной средней и доли.
- •Статистическая гипотеза и статистический критерий. Ошибки 1-го и 2-го рода. Уровень значимости и мощность критерия. Принцип практической уверенности.
- •Построение теоретического закона распределения по опытным данным. Понятие о критериях согласия.
- •Критерий согласия х2-Пирсона и схема его применения.
- •Функциональная, статистическая и корреляционная зависимости. Различия между ними. Основные задачи теории корреляции.
- •Линейная парная регрессия. Система нормальных уравнений для определения параметров прямых регрессии. Выборочная ковариация. Формулы для расчета коэффициентов регрессии.
- •Упрощенный способ:
- •Оценка тесноты связи. Коэффициент корреляции (выборочный), его свойства и оценка достоверности.
Локальная теорема Муавра-Лапласа, условия ее применимости. Свойства функции Дх). Пример.
Локальная теорема Муавра-Лапласа. Если вероятность р наступления события А в каждом испытании постоянна и отлична от О и 1, то вероятность Рm,n того, что событие А произойдет m раз в n независимых испытаниях при достаточно большом числе n, приближенно равна:
где Р - вероятность осуществления события в отдельном испытании, q - вероятность неосуществления события в отдельном испытании, n – кол-во испытаний.
Где - функция Гаусса. И
Чем больше n, тем точнее приближенная формула. Приближенные значения вероятности Рm,n на практике используются как точные при npq порядка двух и более десятков, Т.е. при условии npq ≥ 20.
Для упрощения расчетов, связанных с применением формулы, составлена таблица значений функции f(x). Пользуясь этой таблицей, необходимо иметь в виду свойства функции f(х).
1. Функция является четной, т.е. f(-x) = f(x).
2. Функция f(x) - монотонно убывающая при положительных значениях х, причем при х → ∞ f(x) → 0.
(Практически можно считать, что уже при х > 4 f(x) ≈ 0.
Пример. В некоторой местности из каждых 100 семей 80 имеют холодильники. Найти вероятность того, что из 400 семей 300 имеют холодильники.
Решение. Вероятность того, что семья имеет холодильник, равна р = 80/100 = 0,8. Т.к. n = 100 достаточно велико (условие npq = 100·0,8(1-0,8)=64 ≥ 20 выполнено), то применяем локальную формулу Муавра-Лапласа.
Вначале определим по формуле :.
Тогда по формуле :.
(значение f(2,50) найдено по табл.). Весьма малое значение вероятности Р300,400 не должно вызывать сомнения, т.к. кроме события «ровно 300 семей из 400 имеют холодильники» возможно еще 400 событий: «0 из 400», «1 из 400», ... , «400 из 400» со своими вероятностями. Все вместе эти события образуют полную группу, а значит, сумма их вероятностей равна 1.
Пусть в условиях примера необходимо найти вероятность того, что от 300 до 360 семей (включительно) имеют холодильники. В этом случае по теореме сложения вероятность искомого события
.
Асимптотическая формула Пуассона и условия ее применимости. Пример.
Предположим, что мы хотим вычислить вероятность Рm,n появления события А при большом числе испытаний n, например, Р300,500. По формуле Бернулли:
Ясно, что в этом случае непосредственное вычисление по формуле Бернулли технически сложно, тем более если учесть, что сами р и q - числа дробные. Поэтому возникает естественное желание иметь более простые приближенные формулы для вычисления при больших n. Такие формулы, называемые, асимптотическими, существуют и определяются теоремой Пуассона, локальной и интегральной теоремами Муавра-Лапласа. Наиболее простой из них является теорема Пуассона.
Теорема. Если вероятность р наступления события А в каждом испытании стремится к нулю (р → 0) при неограниченном увеличении числа n испытаний (n → 0), причем произведение nр стремится к постоянному числу λ(nр → λ), то вероятность Рm,n того, что событие А появится m раз в n независимых испытаниях, удовлетворяет предельному равенству: |
□ По формуле Бернулли или, учитывая, что, т.е. при достаточно больших nи.
Т.к. ,и, то.■
Строго говоря, условие теоремы Пуассона р → 0 при n → ∞, так что nр → λ, противоречит исходной предпосылке схемы испытаний Бернулли, согласно которой вероятность наступления события в каждом испытании р = const. Однако, если вероятность р - постоянна и мала, число испытаний n - велико и число λ = nр - незначительно (будем полагать, что λ = np ≤ 10), то из предельного равенства вытекает приближенная формула Пуассона:
.
Пример. На факультете насчитывается 1825 студентов. Какова вероятность того, что 1 сентября является днем рождения одновременно четырех студентов факультета?
Решение. Вероятность того, что день рождения студента 1 сентября, равна р = 1/365. Т.к. р = 1/365 - мала, n = 1825 - велико и λ = nр = 1825·(1/365) = 5 ≤ 10, то применяем формулу Пуассона:
: (по табл.)