- •6. Случайная величина: определение, виды случайных величин, способы задания. Функция распределения вероятностей случайной величины (определение и свойства).
- •7. Плотность распределения непрерывной случайной величины (определение и свойства). Отыскание функции распределения непрерывной случайной величины по известной плотности распределения.
- •8. Математическое ожидание случайной величины (определение и свойства).
- •9. Отклонение случайной величины (определение и свойства).
- •10. Дисперсия случайной величины (определение и свойства). Среднеквадратическое отклонение случайной величины (определение и свойства).
- •11. Распределение Бернулли (определение, закон распределения, функция распределения, график функции распределения, числовые характеристики).
- •12. Геометрическое распределение (определение, закон распределения, функция распределения, график функции распределения, числовые характеристики).
- •13. Биномиальное распределение (определение, закон распределения, график функции распределения, числовые характеристики).
- •14. Распределение Пуассона (определение, закон распределения (с выводом), функция распределения, график функции распределения, числовые характеристики).
- •16. Показательное (экспоненциальное) распределение (определение, плотность распределения, функция распределения, графики плотности и функции распределения, числовые характеристики).
- •20. Условные функция и плотность распределения. Зависимые и независимые случайные величины.
- •21. Числовые характеристики зависимости (ковариация, коэффициент корреляции – определение и свойства). Ковариационная матрица. Некоррелированные случайные величины.
- •22. Двумерное нормальное распределение. Вероятность попадания в эллипс равной вероятности.
- •23. Предельные теоремы теории вероятностей.
- •Неравенство Чебышева
- •Теорема Бернулли
- •Теорема Ляпунова
- •25. Цепь Маркова. Матрица вероятностей переходов. Однородная цепь Маркова. Предельные вероятности состояний. Марковский процесс с дискретными состояниями и непрерывным временем.
- •26. Генеральная и выборочная совокупности. Повторная и бесповторная выборки. Репрезентативная выборка. Способы отбора.
- •27. Статистическое распределение выборки. Полигон и гистограмма. Эмпирическая функция распределения и её свойства.
- •28. Несмещенные, эффективные и состоятельные оценки. Генеральная и выборочная средние.
- •29. Генеральная и выборочная дисперсии. Формула для вычисления дисперсии. Оценка генеральной дисперсии по исправленной выборочной.
Теорема Ляпунова
Рассмотренные теоремы закона больших чисел касаются вопросов приближения некоторых случайных величин к определённым предельным значениям независимо от их закона распределения. В теории вероятностей существует другая группа теорем, касающихся предельных законов распределения суммы случайных величин. Общее название этой группы теорем — центральная предельная теорема. Различными её формы различаются условиями, накладываемыми на сумму составляющих случайных величин.
Закон распределения суммы независимых случайных величин приближается к нормальному закону распределения при неограниченном увеличении , если выполняются следующие условия:
1) все величины имеют конечные математические ожидания и дисперсии:
где .
2) ни одна из величин по значению резко не отличается от остальных:
При решении многих практических задач используют следующую формулировку теоремы Ляпунова для средней арифметической наблюдавшихся значений случайной величины , которая также является случайной величиной (при этом соблюдаются перечисленные два условия):
если случайная величина имеет конечные математическое ожидания и дисперсию , то распределение средней арифметической , вычисленной по наблюдавшимся значениям случайной величины в независимых испытаниях, при приближается к нормальному закону с математическим ожиданием и дисперсией , то есть
Поэтому вероятность того, что заключена в интервале , можно вычислить по формуле
Используя функцию Лапласа ([url]см. приложение 2[/url]), формулу (9.5) можно записать в удобном для расчётов виде:
где
Следует отметить, что центральная предельная теорема справедлива не только для непрерывных, но и для дискретных случайных величин. Практическое значение теоремы Ляпунова огромно. Опыт показывает, что закон распределения суммы независимых случайных величин, сравнимых по своему рассеиванию, достаточно быстро приближается к нормальному. Уже при числе слагаемых порядка десяти закон распределения суммы можно заменить на нормальный.
24. Основные понятия теории случайных процессов: случайный процесс, случайный процесс с дискретным и с непрерывным временем, с дискретными и с непрерывными значениями. Примеры. Определения: марковский процесс, вероятности состояний, переходные вероятности, однородный марковский процесс.
Случайный процесс – это семейство случайных величин х(t), где параметр tєТ – множеству значений параметра.
Если параметр t принимает дискретные значения (t=0;1;2…), то имеем случайный процесс с дискретным временем; если t принимает значения из некоторого интервала (конечного или бесконечного), то имеем случайный процесс с непрерывным временем.
В свою очередь, если случайные величины семейства принимают дискретные значения, то имеет место случайный процесс с дискретными значениями, если непрерывные – то случайный процесс с непрерывными значениями.
К процессам с дискретными значениями относятся, например, процессы образования очередей, распространение мутации генов в биологической популяции. К процессам с непрерывными значениями – процесс изменения напряжения в осветительной сети, процесс перемешивания шихты во время плавки в доменной печи.
Марковский процесс - протекающий в системе случайный процесс, который обладает свойством: для каждого момента времени t0 вероятность любого состояния системы в будущем (при t>t0) зависит только от ее состояния в настоящем (при t= t0) и не зависит от того, когда и каким образом система пришла в это состояние (т.е. как развивался процесс в прошлом).
Вероятности состояний Pk(t) марковского процесса – это вероятности того, что случайный процесс (система) в момент времени t находится в состоянии Sk:
П ереходные вероятности марковского процесса – это вероятности перехода процесса (системы) из одного состояния в другое:
Марковский процесс называется однородным, если вероятности перехода за единицу времени не зависят от того, где на оси времени происходит переход.