- •1. Случайные события.
- •2. Классическое определение вероятности и ее свойства.
- •5. Условная вероятность. Независимость событий.
- •6. Формула полной вероятности. Формула Байеса.
- •7. Схема независимых испытаний Бернулли.
- •8. Предельные теоремы в схеме Бернулли.
- •10. Плотность распределения вероятностей и ее свойства.
- •11. Математическое ожидание и его свойства.
- •Свойства м
- •12. Дисперсия и ее свойства.
- •13. Коэффициент корреляции и ковариация.
- •14. Моменты.
- •15. Основные дискретные распределения случайных величин.
- •1. Биноминальное распределение.
- •18. Двумерная функция распределения и ее свойства.
- •19. Двумерная плотность вероятности и ее свойства.
- •20. Независимость случайных величин
- •21. Условный закон распределения.
- •22. Неравенство Чебышева. Сходимость случайных последовательностей.
- •23.Теорема Чебышева. Теорема Бернулли.
- •24. Центральная предельная теорема.
- •25. Выборочный метод.
- •26.Эмпирическая функция распределения и её свойства.
- •27. Полигон и гистограмма.
- •28. Числовые характеристики выборки.
- •29. Точечное оценивание.
- •32. Доверительные интервалы.
- •33. Распределение х2 Стьюдента и Фишера.
- •34. Доверительные интервалы для оценки математического ожидания при известном .
- •35. Доверительные интервалы для оценки матожидания нормального распределения при неизвестном .
- •36. Проверка статистических гипотез.
- •37. Построение критической области.
- •38. Критерий согласия Пирсона.
- •39. Вычисление теоретических частот для нормального распределения.
- •40. Сравнение дисперсий двух нормальных выборок.
- •43. Критерий Манна-Уитни.
- •44. Парная регрессия.
- •45. Парный коэффициент корреляции, его свойства.
- •46. Проверка гипотез о достоверности выборочного коэффициента корреляции.
- •47. Нелинейная парная регрессия.
14. Моменты.
Обобщающими понятиями от матожидания и дисперсии являются моменты
Начальным моментом порядка k называется матожидание .
=M
=Mξ, 2=Mξ2
Центральным моментом ожидания порядка k называется матожидание в степени k отклонения случайной величины от своего математического ожидания υk=M(-M)k=0
Например второй центральный момент это дисперсия.
υ2=M (-M)2=D=M- (M)2
Любой центральный момент можно выразить через начальный. Например третий центральный момент
υk=f(μ1, …,μk)
15. Основные дискретные распределения случайных величин.
1. Биноминальное распределение.
Рассмотрим схему Бернулли. Производится последовательность n независимых испытаний в каждом из которых возможно только 2 исхода.
P(A)=p P()=q p+q=1
возможное распределение этой величины.
Вероятность этих значений вычисляется по формуле Бернулли. .
Найдем МО и DX
, где -число появлений события в i-ом (одном) испытании.
Закон распределения
0 |
1 |
|
P |
q |
p |
МО:
M=0*q+1*p=p ; M=np
Чтобы найти дисперсию
M2=02*q+12*p=p
D= M2- (M)2=p-p2=p(1-p)=pq
Так как дисперсии независимы
D=npq
2. Распределение Пуассона.
Пусть производится n независимых испытаний в каждом из которых вероятность появления события A равна p. Для определения вероятности k пользуется ф. Бернулли. Если вероятность мала, а число испытаний велико то формулой Пуассона.=0,1,...,m
Pm=
Mξ=∑m*am/m!*e-a =a
Mξ2=∑m2 * am/m!*e-a =a+a2
В распределении пуассона МО и Дисперсия равны а
3. Геометрическое распределение.
Производится последовательность независимых испытаний в каждом из которых только 2 исхода
P(A)=p P()=q p+q=1
Испытание производится до появления события А
Вероятности этих значений
Pm=qm-1p
P3=q2p
; S = . Если ряд сходится его можно почленно дифференцировать.
16. Равномерное и показательное распределение.
Относятся к непрерывным случайным величинам.
1. Равномерное
0, x¢ [a,b]
2. Показательное распределение.
Показательным, называют распределение вероятностей непрерывной случайной величины, которое описывается плотностью
Характерным свойством показательного распределения является равенство матожидания и среднеквадратического отклонения:
.
17. Нормальное распределение.
Нормальным (распределением Гаусса) называют распределение вероятностей непрерывной случайной величины, которое описывается плотностью.
(cигма не под корнем!!)
Нормальное распределение определятся 2 параметрами . а – мат ожидание, - квадратическое отклонение нормального распределения.
Можно показать, что
,
При получим стандартное нормальное распределение.От произвольного перейти к стандартному можно с помощью преобразования .Функция стандартного нормального распределения имеет вид.
Часто вместо Ф(x) приводится функция Лапласа (нечетная)
F(x)=
Вероятность попадания случайной величины в заданный интервал.
По формуле Лапласа имеем
Вероятность заданного отклонения от матожидания для нормальной случайной величины
.
Правило трех сигм:
Если случайная величина распределена нормально, то с вероятностью, близкой к единице, абсолютная величина ее отклонения от математического ожидания не превосходит утроенного среднего квадратического отклонения.