- •1. Случайные события, их классификация. Понятие вероятности.
- •2. Алгебра случайных событий, диаграммы Вьенна-Эйлера.
- •8. Формула Байеса.
- •9. Схема Бернулли. Формула Бернулли. Наивероятнейшее число успехов.
- •10. Понятие случайной величины. Дискретная случайная величина, способы ее задания: ряд распределения.
- •11. Функция распределения дискретной случайной величины и ее свойства.
- •12. Математическое ожидание дискретной случайной величины и ее свойства.
- •18. Математическое ожидание и дисперсия непрерывной случайной величины и их свойства (без доказательства).
- •19. Начальные и центральные моменты.
- •20. Равномерный закон распределения: плотность и функция распределения, основные числовые характеристики.
- •21. Показательный закон распределения: плотность и функция распределения, основные числовые характеристики.
- •27. Центральная предельная теорема ( без док-ва). Локальная и интегральная теоремы Муавра-Лапласа.
- •28. Двумерные случайные величины, формы задания закона распределения.
- •29. Характеристики двумерной случайной величины: математическое ожидание и дисперсия компонент.
- •30. Зависимость случайных величин. Корреляционный момент и коэффициент корреляции, их свойства.
- •31. Предмет математической статистики. Генеральная совокупность, выборка, ее свойства.
- •32. Статистический и интервальный ряды распределения.
- •33. Выборочные аналоги функции распределения и функции плотности. Полигон, гистограмма, кумулята.
- •34. Распределения χ2, t, f.
- •35. Свойства точечных оценок числовых характеристик и параметров распределения.
- •36. Точечная оценка математического ожидания и ее свойства.
- •37. Точечная оценка дисперсии, несмещенная оценка дисперсии.
- •38. Метод моментов. Метод максимального правдоподобия.
- •39. Интервальные оценки параметров распределения.
18. Математическое ожидание и дисперсия непрерывной случайной величины и их свойства (без доказательства).
Математическое ожидание непрерывной случайной величины называется число
М(Х) = ∫хf(x)dx.
Две случайные величины (произвольные, непрерывные или дискретные) Х и Yназываются независимыми, если для всех х,y€R
P[(X<x) ∩ (Y<y)] = P (X<x) P(Y<y),
Т.е. если для всех х,y€Rсобытия (Х<x) и (Y<y) независимы.
Свойства:
М(С) = С, С =const
М(СХ) = С*М(Х), С = const
М(Х+Y) = М(Х) + М(Y), Х иY– дискретные случайные величины.
Дисперсия случайной величины:
D(X)=∫(x-M(x)2f(x)dx, D(x)=∫x2f(x)dx-(M(x))2
Свойства:
D(C) = 0
D(CX) = C2D(X)
D(X+Y) =D(X) +D(Y),XиY– независимые дискретные случайные величины.
19. Начальные и центральные моменты.
Начальным моментом порядка kслучайной величины Х называют математическое ожидание величины Хk:vk=M(Xk).
В частности, начальный момент первого порядка равен математическому ожиданию: v1=M(x).
Центральным моментом порядка kслучайной величины Х называют математическое ожидание величины (Х-М(Х))k:μk = М(Х-М(Х))=0;
В частности, центральный момент первого порядка равен 0:
μ1 = М(Х-М(Х))=0;
центральный момент второго порядка равен дисперсии:
μ2= М(Х – М(Х))2=D(X).
Центральные моменты целесообразно вычислять, используя формулы, выражающие центральные моменты через начальные:
μ2 = v2-v12,
μ3 = v3 – 3v1v2 +2v13,
μ4=v4-4v1v3+6v12v2-3v14.
20. Равномерный закон распределения: плотность и функция распределения, основные числовые характеристики.
Например минутная стрелка остановившихся механических часов будет показывать какое-то значение; заранее, до поломки, неизвестно, какое именно, но точно известно, что оно будет в пределах от 0 до 60. Погрешность округления также относится к подобным величинам. О таких величинах говорят, что они распределены по равномерному закону на некотором отрезке [a,b].
Более строго, случайная величина Х с функцией распределения
Называется распределенной по равномерному законуна отрезке [a,b].Плотность распределения получается путем дифференцирования:
Математическое ожиданиенепрерывной случайной величины Х, возможные значения которой принадлежат всей оси Ох, определяется равенством:
М(Х) = ∫xf(x) dx
Где f(x) – плотность распределения случайной величины Х.
МодойМ0(Х) непрерывной случайной величины Х называют ее возможное значение, которому соответствует локальный максимум плотности распределения. В частности, если распределение имеет два одинаковых максимума, то его называют бимодальным.
МедианойМе(Х) непрерывной случайной величины Х называют то ее значение, которое определяется равенством
Р[X<Me(X)]=p[X>Me(X)].
Дисперсиянепрерывной случайной величины Х, возможные значения которой принадлежат всей оси Ох, определяется равенством
D(X) = ∫[x-M(X)]2f(x)dxилиD(X) = ∫x2f(x)dx– [M(X)]2
Среднее квадратичное отклонениенепрерывной случайной величины определяется
σ(Х) = √D(X)
21. Показательный закон распределения: плотность и функция распределения, основные числовые характеристики.
Показательным называют распределение вероятностей непрерывной случайной величины Х, которое описывается плотностью
0 при x<0,
f(x) =
λe-λxприx>=0
где λ – постоянная положительная величина.
Функция распределения показательного закона
0 приx<0
F(x) = 1-е-λх приx>=0
Вероятность попадания в интервал (a,b) непрерывной случайной величины Х, распределенной по показательному закону,
P(a<X<b) = e-λa-e-λb
Математическое ожидание- М(Х) = 1/μ.Дисперсия-D(X) = 1/μ2
22. Поток событий. Простейший поток. Распределение промежутка времени между последовательными событиями простейшего потока. Свойство марковости показательного закона.
24. Нормальный закон распределения: функция плотности и функция распределения, основные числовые характеристики.
Нормальнымназывают распределение вероятностей непрерывной случайной величины Х, плотность которого имеет вид
F(x) = (1/σ√2π) * e-(x-a)2//(2σ2)
Где a– математическое ожидание, σ – среднее квадратичное отклонение Х.
Вероятность того, что Х примет значение, принадлежащее интервалу (α, β),
P(α<X< β) = Ф(β- а/ σ) – Ф(α- а/ σ),
Где Ф(х) = 1/√2π∫е-х2/2dx– функция Лапласа.
Вероятность того, что абсолютная величина отклонения меньше положительно числа δ,
Р(!X-a! <δ) = 2Ф(δ/σ).
25. Функция Лапласа и ее свойства. Вероятность попадания нормально распределенной случайной величины в заданный интервал. Правило «трех сигм».
26. Неравенство Чебышева. Понятие о законе больших чисел. Теорема Чебышева ( без док-ва). Теорема Бернулли (без док-ва).
Неравенство Чебышева:Если случайная величина Х имеет конечное математическое ожидание М(Х) и дисперсиюD(Х) , то для любого ε>0 справедливо равенство
P{|X–M(X) | <=ε} > 1-D(X)/ε2
Под закономбольших чисел понимается обобщенное название группы теорем, утверждающих, что при неограниченном увеличении числа испытаний средние величины стремятся к некоторым постоянным.
Теорема Чебышева: Если дисперсии независимых случайных величин Х1,Х2,…,Хnограничены сверху числом В, то для произвольного, сколь угодно малого ε>0 справедливы неравенство
Р{|∑Xi/n- ∑M(Xi)/n| <=ε}> 1 –B/nε2
и предельное равенство limP{|∑Xi/n- ∑M(Xi)/n| <=ε} = 1
Теорема Бернулли: Если вероятность успеха в каждомnнезависимых испытаний постоянна и равнаp, то для произвольного, сколь угодно малого ε>0 справедливо равенство
limP{|m/n-p|<=ε}=1,
где m– число успехов в серии изnиспытаний.