- •1. Опыт с равновероятностными исходами. Вероятность и частота. Некоторые комбинаторные формулы.
- •3. Классическое, статистическое, геометрическое определение вероятности.
- •4. Аксиоматическое определение вероятности (по Колмогорову). Свойства вероятности. Свойства вероятности для полной группы событий.
- •5. Условная вероятность и её свойства. Независимость событий. Основные формулы вычисления вероятностей: формула умножения вероятностей, формула сложения вероятностей.
- •6. Формула полной вероятности. Формула Байеса.
- •9. Характеристическая функция и ее свойства.
- •10. Мода и медиана. Квантиль
- •11. Основные дискретные распределения. Вырожденное распределение. Испытания Бернулли. Биноминальное распределение. Распределение Пуассона. Теорема Пуассона.
- •12. Основные непрерывные распределения. Равномерное распределение. Экспоненциальное распределение. Нормальное распределение. Логарифмически нормальное распределение.
- •18. Основные распределения в статистике. Распределение хи-квадрат. Распределение Стьюдента. Распределение Фишера.
- •19. Статистические оценки. Точечные оценки. Метод максимального правдоподобия. Метод наименьших квадратов. Интервальные оценки.
9. Характеристическая функция и ее свойства.
Опред. Характеристической функцией случайной величины ξ называется мат ожидание случ. величины eitξ
g(t)= M[eitξ]
характеристическая функция при любых фиксированных t совпадает с мат ожиданием сл величины вида eitξ.
-∞ ≤ t ≤+∞
Замеч.: Хар. ф-ция предст. соб. преобразование Фурье плотности f(x) cлуч. величины ξ.
Св-ва хар. функции:
1.│g(t)│≤ 1 при -∞ ≤ t ≤ +∞
док-во: i2= -1
eitξ =cos (tx)+ i∙sin (tx)
ξ+iη
M[ξ] + i M[η]
│eitx│2 = cos2 (tx) + sin2 (tx)= 1
2. g(0)=1
eitx=1
3.η=aξ+b , ξ-cл. величина, a,b- const, то gη(t)=eibtgξ(at)
док-во: gη(t)=M[ei(aξ+b)]= eitb M[eitaξ]= eibtgξ(at)
4.Хар.ф-ция суммы двух независимых случайных величин произведению их характеристических функций.
Док-во: φ=ξ+η
gη(t)=M[eitφ]= M[eit[ξ+η]]= M[eitξ∙ eitη ]= M[eitξ]∙ M [eitη ]=gξ(t) ∙ gη(t)
5. если случайная величина ξ имеет абсолютный момент n- ого порядка, то хар. ф-ция величины ξ, дифференцируемая k раз, при n≤k, выглядит следующим образом:
g(k)(0)=ikM[ξk]
10. Мода и медиана. Квантиль
Модой дискретной случайной величины нзв наиболее вероятное ее значение.
Модой непрерывной случайной величины нзв такое значение, при котором плотность ее распределения достигаетmax. В случае симметрии мат. ожидание совпадает с модой и центром симметрии распределения, при условии что мат ожидание существует, а распределение является модальным. В общем случае мода и мат. ожидание не совпадают.
Медиана (Ме) рассматривается только для непрерывных случайных величин.
Ме случайной величины ξ нзв такое ее значение, относительно которого равновероятно получение большего или меньшего значения сл. величины ξ.
P(ξ<Me)= P(ξ≥Me)
Квантилями уровня p ф-ции распределения Fξ (x) нзв min значение xp, при котором F(x) ≥p.
xp= min{ x: F(x) ≥p } p(0;1)
Квантилью порядкаp нзв значение случайной величины xp, левее которого на оси x лежит p-ая часть распределения.
F(x)= P (x<xp)=p
Квантиль порядка 0,5 является медианой.
11. Основные дискретные распределения. Вырожденное распределение. Испытания Бернулли. Биноминальное распределение. Распределение Пуассона. Теорема Пуассона.
Основные дискретные распределения
Говорят, что случайная величина ξ имеет дискретное распределение, если существует конечный или счетный набор чисел {a1, a2, …, an} такой, что: а) для всех i; б).
То есть случайная величина ξ имеет дискретное распределение, если она принимает не более чем счетное число значений.
Виды дискр.распр-ний: вырожденное распр., распр. Бернулли, биноминальное распр., геометрическое распр., распр. Пуассона, гипергеометрическое распр. и др.
Вырожденное распределение. Говорят, что случайная величина ξ имеет вырожденное распределение с параметром а, если ξ принимает единственное значение а с вероятностью 1, то естьР(ξ=а)=1. Таблица распределения ξ имеет вид
ξ |
а |
Р |
1 |
Испытания Бернулли
Одинаковые, независ.между собой испытания, в каждом из к-рых рассматривается некотор.соб.А, наступающее с некотор.положит.вер-тью Р=Р(А)0, нзв испытаниями Бернулли. Само соб.А нзв успехом, а Ā – неудачей. р – вер-ть успеха; q – вер-ть неуспеха. q=1-р.
Распределение Бернулли. Говорят, что случайная величина ξ имеет распределение Бернулли с параметром р, если ξ принимает значения 1 и 0 с вероятностями р и 1-р, соответственно. Случайная величина ξ с таким распределением равна числу успехов в одном испытании схемы Бернулли с вероятностью успеха р (0 успехов или 1 успех). Таблица распределения ξ имеет вид
ξ |
0 |
1 |
Р |
1-р |
р |
Биноминальное распределение
Говорят, что случайная величина ξ имеет биномиальное распределение с параметрами n и p, где 0p1, если ξ принимает значения 0, 1,…, n с вероятностями . Случайная величина ξ с таким распределением имеет смыслчисла успехов в n испытаниях схемы Бернулли с вероятностью успеха p. Таблица распределения ξ имеет вид
ξ – может быть представл в виде суммы независ-ых событий ξk.
ξk = 0 – неуспех
ξk =1 – успех
ξ= ξ1+ ξ2+…+ ξk
M[ξk]=P
D[ξk]=M[ξk 2]-[M[ξk]2]=p-p2=pq
=> M[ξ]=np
D[ξ]=npq
Распределение Пуассона
Говорят, что случайная величина ξ имеет распределение Пуассона с параметром , где >0, если ξ принимает значения 0, 1, 2… с вероятностями Таблица распределения ξ имеет вид
Ф-ция распределения:
где а – мат.ожидание
Замечание: распр Пуассона явл предельным, к кот-му → биноминальное распр при n→∞ и a=np=const.
Теорема Пуассона.
n – большое число испытаний
p – достаточно малая вер-ть
np – число успехов – значительно
a=np – среднее число успехов
Док-во:
р=a/n
Теорема: Пусть число исп-ий n →∞, а P→0, так что среднее число успехов np=a>0, тогда для любого k≥0 вер-ть получить k успехов в n исп-ях схемы Бернулли с вер-тью P по формуле:
n∞, P0, np=const>0, то