- •1.Основные понятия теории вероятностей. Классическое, статистическое и геометрическое определения вероятности. Основные понятия тв.
- •Статистическое определение вероятности
- •Геометрическое определение вероятности
- •2. Алгебраические операции над событиями. Отношение м/д событиями. Аксиоматическое определение вероятности события. Отношение м/д событиями
- •Аксиоматическое определение вероятностей события
- •3.Основные свойства вероятностей. Правило сложения вероятностей. Условные вероятности. Теорема умножения вероятностей. Независимые события.
- •4.Формула полной вероятности. Формула Байеса.
- •5.Повторение испытаний. Формула Бернулли.
- •6.Локальная и интегральная теоремы Лапласа.
- •7. Вероятность отклонения относительной частоты от постоянной вероятности в независимых испытаниях.
- •8. Наивероятнейшее число появлений события при повторных испытаниях по схеме Бернулли.
- •9. Случайные величины. Закон распределения вероятностей. Биноминальное распределение. Геометрическое распределение.
- •10. Распределение Пуассона.
- •11. Функция распределения св и ее свойства.
- •12. Непрерывные св. Равномерный закон распределения.
- •13 Показательный закон распределения. Нормальный закон распределения.
- •14 Многомерные случайные величины. Ф-ция распределения многомерной случайной величины, её свойства.
- •15 Двумерные непрерывные св. Плотность распределения вероятностей двумерной св, её свойства
- •16 Двумерные св. Условные законы распределения.
- •17 Независимые случайные величины. Критерий независимости.
- •18 Функции случайных величин, их законы распределения.
- •19.Числовые характеритики св.
- •20.Моменты распределения одномерной св.
- •21.Ковариация и коэффициент линейной корреляции 2 св, их свойства.
- •22.Условное мат ожидание
- •23. Двумерное нормальное распределение. Условие независимости некоррелированных св.
- •24.Теорема об условных распределениях компанент двумерной нормально распределенной св.
- •25 Характеристические функции случайных величин, их свойства. Примеры
- •26. Неравенства Маркова и Чебышева.
- •27. Теорема Чебышева. Теорема Маркова.
- •28. Центральная предельная теорема.
- •29. Теорема Ляпунова. Интегральная теорема Лапласса.
- •30. Распределение выборки. Эмпирическая функция распределения.
- •33. Оценка дисперсии случайной величины.
- •34. Неравенство Рао-Крамера. Следствие для несмещенной оценки
- •35. Эффективная оценка мат. Ожидания нормальной распределенной величины.
- •36. Асимптотически эффективные и сверх эффективные оценки. Теорема о состоятельности оценки.
- •37. Условные законы распределения. Условное мат. Ожидание.
- •38.Достаточные статистики. Критерий факторизации
- •39.Теорема Колмагорова – Блекуэлла.
- •41. Метод моментов
- •42. Распределение….
- •43. Распределение Стьюдента.
- •44. Теоремы о случайной величине, имеющей распределение Стьюдента.
- •45. Распределение Фишера. Теорема о случайной величине, имеющей распределение Фишера
- •46 Доверительный интервал для мат. Ожидания нормально распределенной с.В.( -неизвестно)
- •47 Доверительный интервал для мат. Ожидания нормально распределенной с.В.( -известно)
- •48 Доверительный интервал для дисперсии нормально распределеннной с.В.
- •55 Проверка гипотезы о равенстве двух дисперсий нормально распределенный с.В.
10. Распределение Пуассона.
Рассматривается схема Бернулли. Число независимых испытаний п велико, а вероятность события мала (р<=0.1).
В этом случае формула Лапласа непригодна. Поэтому прибегают к асимптотической формуле Пуассона.
Т.о. перед нами задача: найти вероятность того, что при очень большом числе испытании, в каждом из которых вероятность события очень мала, событие наступит ровно k раз.
Сделаем важное предположение: произведение n*p сохраняет постоянное значение (np=λ). Это означает, что среднее число появления события в различных сериях испытаний (т.е. при различных значениях п) остается неизменным:
Т.к. п очень велико, вместо Рn(k) найдем и его будем считать приближенным значением вероятности Рn(k):
.
.
Рассмотрим СВ Х, которая принимает значения 0, 1, 2, …
В этом случае говорят, что СВ Х имеет закон распределения Пуассона.
Закон распределения Пуассона можно задать в виде таблицы:
Х |
0 |
1 |
2 |
… |
k |
… |
p |
e-λ |
λe-λ |
|
… |
|
… |
Заметим, что
11. Функция распределения св и ее свойства.
Пусть Х – СВ.
Опр. Ф-ция F(x), определенная при всех (вероятность того, что СВ Х приняла значение <x: P(X<x)) F(x)=P(X<x) называется функцией распределения СВ Х.
Значение функции распределения в точке х равно вероятности события, состоящего в том, что СВ примет значение <x.
Свойства функции распределения.
1) , т.к. F(x) – вероятность.
2) F(x) не убывает на все числовой оси.
Док-во: Возьмем х1<x2. Рассмотрим вероятность того, что Х<x2: P(X<x2). A={X<x2}. B={x1<=X<x2}. A+B={X<x2}. События А и В несовместны. Значит, P(A+B)=P(A)+P(B)= =F(x2)=F(x1)+P(x1<=X<x2). Последнее слагаемое в равенстве >=0. Значит, F(x2)>= F(x1). Доказано.
3) P(x1<=X<x2)= F(x2)-F(x1)
4) Функция распределения F(x) всегда непрерывна.
Док-во: Аксиома 3 из определения вероятности (если А1,А2,… F (F-алгебра), причем Ai*Aj=Ø для i j, то Р(А1+А2+…)= ) эквивалентна аксиоме непрерывности (если В1,В2,…,Вk, … - последоват. таких событий, что Bn+1 Bn, n=1,2,… и , то ). Доказать самостоятельно эквивалентность аксиом. Непрерывность функции F(x) будем док-ть с помощью определения предела по Гейне: х1,х2,…,хn – любая последовательность, удовлетворяющая двум условиям:
1)х1<х2<…<хn<…<x0;
2) .
Событие An={xn<=X<x0}, An+1 An. Согласно аксиоме непрерывности:
Р(Аn)=P(xn<=X<x0)=F(x0)-F(xn).
.
По Гейне . Значит, функция непрерывна слева. Доказано.
5)
Док-во: ={X<п}, An={X>=n}, An+1 An .
Доказано.
12. Непрерывные св. Равномерный закон распределения.
Непрерывные СВ.
Опр. СВ Х наз-ся непрерывной СВ, если существует такая неотрицательная, интегрируемая по Риману на (-∞, +∞) ф-ция р(х) (f(x)), что .
Ф-ция р(х) называется плотностью распределения вероятности СВ Х.
Плотность p(x) обладает след. свойствами:
1)
2) - условие нормирования
3) F`(x)=p(x) в точках непрерывности функции p(x).
Вывод: Ф-ция распределения непрерывной СВ является непрерывной, монотонно-неубывающей ф-цией на все числовой оси.
P(X=x)=F(x+0)-F(x) (следует из того, что P(x<=X<x+Δх)= =F(x+Δх)-F(x)). Если Х – непрерывная СВ, то F(x+0)-F(x)=0 . Т.о. для непрерывной СВ Р(Х=х)=0. Говорят, что вероятность попасть в точку равна 0.
Если Х – непрерывная СВ, то вероятность ее попадания на [a,b) можно вычислить через плотность распределения вероятностей по формуле .
Если х – точка непр. плотности вероятности . Формула справедлива с точностью до бесконечно малых величин высшего порядка малости, чем Δх.
Равномерный закон распределения.
Опр. Непрерывная СВ, которая принимает значения только [a,b] с постоянной плотностью распределения, наз-ся распределенной равномерно на этом отрезке (иначе говоря, имеет равномерное распределение вероятностей на [a,b]).
Из определения следует, что
.
Найдем функцию распределения для этой СВ