- •3. Классическое определение вероятности события. Теорема умножения и её свойства.
- •8. Дисперсия дсв и ее св-ва. 3 на выбор доказать.
- •6. Определение интегральной функции распределения и доказательство ее св-в.
- •7. Доказать теоремы: «Формула полной вероятности», «Формула Байеса».
- •15. Простая и сложная статистическая гипотеза, ошибки 1и 2 рода
- •5. Математическое ожидание дсв и ее св-ва. 3св-ва доказать на выбор.
- •16. Поняття статистичної та кореляційної залежності. Кореляційний момент. Коефіцієнт кореляції та його властивості.
- •2. Определение дифференциальной функции распределения. Доказ-во свойств.
- •1. Центральная предельная теорема. Вывести интегральную теорему Муавра-Лапласа. Её частные случаи.
- •11. Схема применения критерия Пирсона.
- •13. Точечные оценки выборки и требования к ним.
- •18. Выборочная дисперсия
- •17. Статистические гипотезы
- •12. Декомпозиция дисперсий. Коэффициент детерминаций.
- •4.Числовые характеристики биномиального распределения.
- •14. Критерий независимости двух дискретных св. Корреляционный момент. Коэффи-циент корреляции и его св-ва.
- •19. Выборочная средняя арифметическая
- •9. Определение нормального закона распределения. Вывести формулу для вероятности попадання значений нормально распределенной св з заданный промежуток. Следствие. Правило «три сигма».
- •1. Центральная предельная теорема. Вывести интегральную теорему Муавра-Лапласа
6. Определение интегральной функции распределения и доказательство ее св-в.
Интергральной функцией распределения F(x) случйной величины Х называется функция, принимающая в точке х значение равное вероятности того, что СВ примат значения меньше х F(x)=P(X<x)
Свойства интегральной функции распределения:
1. Область изменения интегральной функции распределения F(x) есть сегмент [0;1], справедливость свойства следует из определения функции как вероятности события.
2. Функция F(x) есть неубывающая функция при любых хЕR, т.е. если х1<х2, то F(x1) <=F(x2).Доказательство: Пусть х1<х2. Рассмотрим Р(Х<х2)=Р(Х<х1либох1<=х2). Применяя теорему сложения для несовместных событий, получим Р(Х<х2)=Р(Х<х1)+Р(х1<=Х<х2) или Р(Х<х2)-Р(Х<х1)=Р(х1<=Х<х2) и т.к. вероятность события неотрицательная величина, то Р(Х<х2)- Р(Х<х1)>=0и т.к. по определению интегральной функции определения F(хі)=Р(Х<хі) имеем F(x2)-F(x1) >=0или F(x2) >=F(x1).
3. Вероятность того, что непрерывная случайная величина Х примет отдельное значение равна 0, т.е. Р(Х=х1)=0.Доказательство: Рассмотрим разность . По условию Х-непрерывная СВ, следовательно,F(x)непрерывная функция и при Получили, что Р(Х=х)=0.
4. Вероятность невозможного события равна0, а вероятность достоверного события1.
5. Вероятность попадания СВ Х на сегмент [x1;x2] равна приращению ее интегральной функции распределения на этом сегменте. P(x1<=X<=x2)=F(x2)-F(x1).
7. Доказать теоремы: «Формула полной вероятности», «Формула Байеса».
Пусть событие A может произойти только вместе с одним из событий H1, H2, ..., Hn, образующих полную группу. Событие Ні называют гипотезами. Известны: вероятности событий Ні, Р(Ні) и и условные вероятности соб.А, РHi(А).
Полная вероятность. Теорема. Вероятность соб.А равна сумме произведений вероятностей всех гипотез, образующих полную группу, на соответствующие условные вероятности соб.А: Р(А)=Р(Н1)РН1(А)+Р(Н2)РН2(А)+…+ +P(Hn)PHn(A) либо
Док-во. Соб.А может произойти только вместе с одним из событий Н1,Н2 …, Hn, образующих полную группу, т.е.
А=Н1А+Н2А+...+НnA.
Для нахождеия вероятности соб.А воспользуемся теоремой сложения для несовместных событий и теоремой умножения для зависимых. Р(А)=Р(Н1А+Н2А+...+НnA)=
=Р(Н1А)+ Р(Н2А)+...+Р(НnA)=
=P(H1)PH1(A)+P(H2)PH2(A)+..+P(Hn)PHn(A)
Формула Байеса. Пусть соб.А может наступить только вместе с одним из событий Н1, Н2, …, Нn, образующих полную группу. События Ні называются гипотезами. Тогда вероятность соб.А находится по формуле полной вероятности.
Предположим, что произошло испытание, в результате которого появилось соб.А. Определим, как изменились вероятности гипотез в связи с тем, что соб.А уже произошло, т.е. найдём условные вероятности гипотез РA(Нi)
Рассмотрим Р(АНі). По теореме умножения для зависимых событий Р(АНі)=Р(А)РA(Ні) или Р(АНі)=Р(Ні)РНі(А)
Из этих равенств следует, что Р(А)РA(Ні)= Р(Ні)РНі(А).
Найдём
Используя формулу полной вероятности соб.А имеем:
Данная формула носит название формулы Байеса. Она позволят переоценить вероятности гипотез после того ,как становится известным результат испытания, в результате которого появилось соб.А.