- •1. Случайные события, их классификация. Понятие вероятности.
- •2. Алгебра случайных событий, диаграммы Вьенна-Эйлера.
- •7. Формула полной вероятности.
- •8. Формула Байеса.
- •9. Схема Бернулли. Формула Бернулли. Наивероятнейшее число успехов.
- •10. Понятие случайной величины. Дискретная случайная величина, способы ее задания: ряд распределения.
- •18. Математическое ожидание и дисперсия непрерывной случайной величины и их свойства (без доказательства).
- •19. Начальные и центральные моменты.
- •2 0. Равномерный закон распределения: плотность и функция распределения, основные числовые характеристики.
- •21. Показательный закон распределения: плотность и функция распределения, основные числовые характеристики.
- •22. Поток событий. Простейший поток. Распределение промежутка времени между последовательными событиями простейшего потока.
- •24. Функция Лапласа и ее свойства. Вероятность попадания нормально распределенной случайной величины в заданный интервал. Правило «трех сигм».
- •25. Неравенство Чебышева. Понятие о законе больших чисел. Теорема Чебышева (без док-ва). Теорема Бернулли (без док-ва).
- •26. Центральная предельная теорема (без док-ва). Локальная и интегральная теоремы Муавра-Лапласа.
- •27. Двумерные случайные величины, формы задания закона распределения.
- •28. Характеристики двумерной случайной величины: математическое ожидание и дисперсия компонент.
- •29. Зависимость случайных величин. Корреляционный момент и коэффициент корреляции, их свойства.
- •30. Предмет математической статистики. Генеральная совокупность, выборка, ее свойства.
- •31. Статистический и интервальный ряды распределения.
- •32. Выборочные аналоги функции распределения и функции плотности. Полигон, гистограмма, кумулята.
- •33. Свойства точечных оценок числовых характеристик и параметров распределения.
- •34. Точечная оценка математического ожидания и ее свойства.
- •35. Точечная оценка дисперсии, несмещенная оценка дисперсии.
- •36. Метод моментов. Метод максимального правдоподобия.
- •37. Интервальные оценки параметров распределения.
- •38. Интервальная оценка математического ожидания нормального распределения.
26. Центральная предельная теорема (без док-ва). Локальная и интегральная теоремы Муавра-Лапласа.
Центральная предельная теорема: Если случайные величины Х1,Х2,…,Хn одинаково распределены и имеют конечную дисперсию σ², то при n→∞
Локальная теорема Муавра-Лапласа. Если вероятность р успеха в каждом испытании отлична от 0 и 1, а число испытаний n достаточно велико, то для расчета Рn(k) можно пользоваться приближенной формулой
(k=0,1,2,...),
где
Интегральная теорема Муавра-Лапласа. Если вероятность р успеха в каждом испытании отлична от 0 и 1, а число испытание n достаточно велико, то для расчета вероятности Рn(k1;k2) того, что число успехов в серии из n испытаний будет заключено в промежутке [k1;k2), можно пользоваться приближенной формулой Рn(k1,k2) = Ф0(u2) – Ф0(u1) (k1 = 0,1,2,..; k2>k1), где
27. Двумерные случайные величины, формы задания закона распределения.
Двумерной называют случайную величину (X,Y), возможные значения которой есть пары чисел (x,y).
Дискретной называют двумерную величину, составляющие которой дискретны.
Непрерывной называют двумерную величину, составляющие которой непрерывны.
Законом распределения вероятностей двумерной случайной величины называют соответствие между возможными значениями и их вероятностями. Он может быть задан:
в виде таблицы с двойным входом, содержащей возможные значения и их вероятности;
аналитически, например, в виде функции распределения.
Функцией распределения вероятностей двумерной случайной величины называют функцию F(x,y), определяющую для каждой пары чисел (x,y) вероятность того, что Х примет значение, меньшее х, и при этом Y примет значение меньшее y: F(x,y) = P(X<x, Y<y).
28. Характеристики двумерной случайной величины: математическое ожидание и дисперсия компонент.
Зная плотность распределения составляющих X и Y непрерывной двумерной случайной величины (X,Y), можно найти их математическое ожидание и дисперсии:M(X) = ∫x·f1(x)dx, M(Y) = ∫y·f2(y)dy;
D(X) = ∫[x-M(X)]2·f1(x)dx = ∫x2·f1(x)dx – [M(X)]2;
D(Y) = ∫[y-M(Y)]2·f2(y)dy = ∫y2·f2(y)dy – [M(Y)]2.
29. Зависимость случайных величин. Корреляционный момент и коэффициент корреляции, их свойства.
Степень зависимости случайных величин измеряется с помощью ковариации случайных величин X и Y: cov(X,Y) = M[(X-MX)(Y-MY)]=>cov(X,Y)=M(XY)-MX·MY
Ковариация может принимать произвольные вещественные значения, поэтому не вполне пригодна к использованию в качестве меры связи случайных величин. В этом смысле удобнее использовать коэффициент корреляции случайных величин Х и Y:
Если коэффициент корреляции ρ(Х,Y)=0, то это не обязательно означает независимость случайных величин Х и Y. В этом случае говорят, что данные случайные величины некоррелированны. Из независимости следует некоррелированность, но наоборот – не всегда!
Коррелированными называют две случайные величины, если их корреляционный момент отличен от нуля.
30. Предмет математической статистики. Генеральная совокупность, выборка, ее свойства.
Математическая статистика изучает методы сбора, классификации, обработки и анализа данных, полученных опытным путем. Основная задача математической статистики состоит в получении выводов о массовых явлениях и процессах по данным наблюдений над ними или экспериментов. Генеральной совокупностью называют совокупность результатов всех мысленно возможных наблюдений за какой-либо случайной величиной Х, проводимых в одинаковых условиях. Выборкой называют результаты ограниченного числа наблюдений за случайной величиной Х. Сущность выборочного метода состоит в том, чтобы по выборке как некоторой части генеральной совокупности делать выводы о генеральной совокупности в целом.
Выборку называют репрезентативной, если она адекватно отражает исследуемые свойства генеральной совокупности. Конкретной выборкой называется конкретный набор чисел х1,х2,…,хn, полученный в результате наблюдений за случайной величиной Х, т.е. набор, состоящий из n реализаций случайной величины Х.
Выборочным средним называется: – эта величина является выборочным аналогом математического ожидания M(X). Выборочным аналогом дисперсии является: – эта величина называется выборочной дисперсией.