![](/user_photo/2706_HbeT2.jpg)
- •Учреждение образования Белорусский государственный университет информатики и радиоэлектроники
- •Общие сведения Сведения об эумк
- •Методические рекомендации по изучению дисциплины
- •Рабочая учебная программа
- •Учреждение образования
- •«Белорусский государственный университет
- •Информатики и радиоэлектроники»
- •Пояснительная записка
- •Содержание дисциплины
- •2. Перечень тем практических занятий, их содержание и объем в часах
- •3. Литература
- •3.2 Дополнительная
- •4. Контрольные работы, их характеристика
- •5. Учебно-методическая карта дисциплины
- •Теоретический раздел Лекция 1
- •1.1 Введение
- •1.2 Основные понятия
- •1.3 Аксиомы теории вероятностей
- •1.4 Непосредственный подсчет вероятностей
- •1.5 Основные комбинаторные формулы
- •Лекция 2
- •2.1 Геометрическое определение вероятностей
- •2.2 Теоремы сложения вероятностей
- •2.3 Условная вероятность
- •2.4 Зависимые и независимые события
- •2.5 Теоремы умножения вероятностей
- •2.6 Вероятность безотказной работы сети
- •Лекция 3
- •3.1 Формула полной вероятности
- •3.2 Формула Байеса
- •3.3 Теорема о повторении опытов
- •Формула Пуассона
- •Формулы Муавра-Лапласа
- •Лекция 4
- •4.1 Случайные величины. Закон распределения вероятностей
- •4.2 Функция распределения
- •4.3 Ряд распределения
- •4.4 Плотность распределения
- •Лекция 5
- •5.1 Числовые характеристики случайной величины
- •5.1.1 Математическое ожидание
- •5.1.2 Начальные моменты
- •5.1.3 Центральные моменты
- •5.1.4 Дисперсия
- •5.1.5 Среднее квадратическое отклонение
- •5.1.6 Мода
- •5.1.7 Медиана
- •6.2 Типовые законы распределения непрерывных случайных величин
- •6.2.1 Равномерное распределение
- •6.2.2 Экспоненциальное распределение
- •6.2.3 Нормальное распределение
- •Лекция 7
- •7.1. Закон распределения функции случайного аргумента
- •7.1.1 Монотонно возрастающая функция
- •7.1.2 Монотонно убывающая функция
- •7.1.3 Немонотонная функция
- •7.2 Числовые характеристики функции случайного аргумента
- •7.2.1 Характеристическая функция случайной величины
- •Лекция 8
- •8.1 Двухмерные случайные величины. Двухмерный закон распределения
- •8.1.1 Двухмерная функция распределения
- •8.1.2 Матрица распределения
- •8.1.3 Двухмерная плотность распределения
- •8.2 Зависимые и независимые случайные величины
- •8.3 Условные законы распределения
- •Лекция 9
- •9.1 Числовые характеристики двухмерных величин
- •9.1.1 Смешанные начальные моменты
- •9.1.2 Смешанные центральные моменты
- •9.1.3 Корреляционный момент
- •9.1.4 Коэффициент корреляции
- •9.2Условные числовые характеристики
- •9.2.1 Pегрессия
- •Лекция 10
- •10.1 Нормальный закон распределения на плоскости
- •10.2 Закон распределения функции двух случайных величин
- •10.3 Многомерные случайные величины
- •10.3.1 Функция распределения
- •10.3.2 Плотность распределения
- •10.3.3 Числовые характеристики
- •11.2.2 Теорема о дисперсии суммы
- •11.3 Числовые характеристики произведения случайных величин
- •11.3.1 Теорема о математическом ожидании произведения
- •11.3.2 Теорема о дисперсии произведения
- •Лекция 12
- •12.1 Закон больших чисел
- •12.1.1 Неравенство Чебышева
- •12.1.2 Теорема Чебышева
- •12.1.3 Теорема Бернулли
- •12.2 Центральная предельная теорема
- •Лекция 13
- •13.1 Математическая статистика. Основные понятия
- •13.2 Оценка закона распределения
- •13.2.1 Эмпирическая функция распределения
- •13.2.2 Статистический ряд распределения
- •13.2.3 Интервальный статистический ряд
- •13.2.4 Гистограмма
- •Лекция 14
- •14.1 Точечные оценки числовых характеристик
- •14.1.1 Оценка математического ожидания
- •14.1.2 Оценка начального момента
- •14.1.3 Оценка дисперсии
- •14.1.4 Оценка центрального момента
- •14.1.5 Оценка вероятности
- •14.2 Оценка параметров распределения
- •14.3 Интервальные оценки числовых характеристик
- •14.3.1 Доверительный интервал для математического ожидания
- •14.3.2 Доверительный интервал для дисперсии
- •14.3.3 Доверительный интервал для вероятности
- •Лекция 15
- •15.1 Проверка статистических гипотез
- •15.1.1 Проверка гипотезы о равенстве вероятностей
- •15.2 Критерии согласия
- •15.2.1 Критерий Пирсона
- •15.2.2 Критерий Колмогорова
- •Лекция 16
- •16.1 Статистическая обработка двухмерных случайных величин
- •16.1.1 Оценка корреляционного момента
- •16.2.1 Гипотеза о равенстве математических ожиданий
- •16.2.2 Гипотеза о равенстве дисперсий
- •16.2.3 Гипотеза о равенстве законов распределения
- •Лекция 17
- •17.1 Оценка регрессионных характеристик
- •17.1.1 Метод наименьших квадратов
- •Практический раздел Контрольные работы Указания по выбору варианта
- •Контрольная работа №1. Теория вероятностей Задача 1. Случайные события. Вероятность события Условия вариантов задачи
- •Методические указания
- •Основные комбинаторные формулы
- •Примеры
- •Задача 2. Теоремы сложения и умножения вероятностей Условия вариантов задачи
- •Методические указания
- •Примеры
- •Задача 3. Формула полной вероятности. Формула Байеса Условия вариантов задачи
- •Методические указания
- •Примеры
- •Задача 4. Формула Бернулли Условия вариантов задачи
- •Методические указания
- •Примеры
- •Задача 5. Дискретная случайная величина Условия вариантов задачи
- •Методические указания
- •Примеры
- •Задача 6. Непрерывная случайная величина Условия вариантов задачи
- •Методические указания
- •Примеры
- •Задача 7. Закон распределения функции случайного аргумента Условия вариантов задачи
- •Методические указания
- •Примеры
- •Задача 8. Двухмерные случайные величины Условия вариантов задачи
- •Методические указания
- •Примеры
- •Задача 9. Числовые характеристики суммы и произведения случайных величин Условия вариантов задачи
- •Методические указания
- •Примеры
- •Контрольная работа №2. Математическая статистика Задача 10. Обработка одномерной выборки Условие задачи
- •Методические указания
- •Оценка закона распределения
- •Точечные оценки числовых характеристик
- •Интервальные оценки числовых характеристик
- •Проверка статистических гипотез
- •Примеры
- •Задача 11. Обработка двухмерной выборки Условие задачи
- •Методические указания
- •Оценка регрессионных характеристик
- •Примеры
- •8,74746;
- •8,86278
Лекция 9
9.1 Числовые характеристики двухмерных величин
Рассмотрим основные числовые характеристики двухмерной случайной величины (X, Y).
9.1.1 Смешанные начальные моменты
Смешанный
начальный момент
порядка k+s
равен математическому ожиданию
произведения
и
:
(9.1)
Наиболее часто используемые начальные моменты:
; (9.2)
9.1.2 Смешанные центральные моменты
Смешанный
центральный момент
порядка
k+s
равен математическому ожиданию
произведения центрированных величин
и
:
(9.3)
где
-
элементы матрицы распределения
вероятностей дискретной случайной
величины (ДСВ) (X,
Y);
-
совместная плотность вероятности
непрерывной случайной величины (НСВ)
(X,
Y).
Рассмотрим наиболее часто используемые центральные моменты:
. (9.4)
Особую
роль, как характеристика системы
случайных величин, играет второй
смешанный центральный момент порядка
1+1
,
который называетсякорреляционным
моментом
или ковариацией
случайных величин X,
Y.
9.1.3 Корреляционный момент
Корреляционный момент KXY характеризует степень тесноты линейной зависимости величин X и Y и рассеивание их значений относительно точки (mX, mY):
. (9.5)
Свойства ковариации KXY :
1. KXY = KYX.
2. Корреляционный момент двух независимых случайных величин X и Y равен нулю.
Доказательство.
.
Для
независимых величин (см. (8.12))
,
и
.
3. Абсолютная величина корреляционного момента двух случайных величин не превышает среднего геометрического их дисперсий
или
. (9.6)
Доказательство. Приведено в лекции 11.
Если
,
то между величинамиX
и Y
существует отрицательная корреляционная
зависимость, т.е. чем больше значение
одной величины, тем более вероятны
меньшие значение у другой (см. статистическую
зависимость в лекции. 8). Пример.
Х
– число пропусков занятий студента, Y
– оценка на
экзамене.
Если
,
то между величинамиX
и Y
существует положительная корреляционная
зависимость, т.е. чем больше значение
одной величины, тем более вероятны
большие значения у другой. Пример.
X
и Y
- рост и вес наугад взятого студента.
Если
,
то величиныX
и Y
называются корреляционно независимыми
или
некоррелированными,
т.е. между ними отсутствует зависимость
линейного
характера.
Если
,
то величиныX
и Y
называются коррелированными.
Итак, из коррелированности двух случайных величин следует их зависимость, но из зависимости еще не вытекает их коррелированность, так как зависимость может иметь и нелинейный характер. Из независимости случайных величин (см. критерии независимости (8.11 8.13)) обязательно следует их некоррелированность, но из некоррелированности не всегда следует независимость этих величин.
Величина
ковариации
зависит
от дисперсии случайных величинX,
Y,
т.е. от рассеивания их значений относительно
точки (mX,
mY),
поэтому для того, чтобы получить
характеристику только степени тесноты
линейной зависимости, корреляционный
момент нормируется. Эта числовая
характеристика называется коэффициентом
корреляции.
9.1.4 Коэффициент корреляции
Коэффициент
корреляции
характеризует степень линейной
зависимости величин и равен:
. (9.7)
Свойства коэффициента корреляции:
1.
Абсолютная величина коэффициента
корреляции двух случайных величин не
превышает единицы:
.
Доказательство.
Разделим обе части двойного неравенства
(9.6)
на произведение положительных чисел
и получим
.
2.
,
если величины X,
Y
связаны линейной функциональной
зависимостью Y=aХ+b.
Доказательство:
Найдем
дисперсию Y:
,
т.е. коэффициент корреляции:
Чем больше абсолютная величина коэффициента корреляции, тем ближе статистическая зависимость величины X, Y к линейной функциональной зависимости.
3.
Если величины X
и Y
независимы, то
.