
- •Основное правило комбинаторики. Перестановки, размещения, сочетания. Бином Ньютона
- •Классическое определение вероятности события, свойства вероятности
- •Теорема сложения вероятностей
- •Условная вероятность. Теорема умножения вероятностей
- •Независимые события. Несовместные события. Полная группа событий
- •Формула полной вероятности
- •Формула Байеса
- •Случайные величины. Типы случайных величин. Закон распределения вероятностей случайной дискретной величины. Многоугольник распределения
- •Аксиоматическое, статистическое и геометрическое определение вероятности
- •Гипергеометрическое распределение
- •Геометрическое распределение
- •Распределение Пуассона; параметры
- •Числовые характеристики дискретных случайных величин, их свойства
- •Биномиальное распределение; параметры, числовые характеристики
- •Начальные и центральные теоретические моменты. Асимметрия и эксцесс
- •Функция распределения вероятностей одномерной случайной величины (дискретной и непрерывной). Основные свойства функции распределения. Геометрическая интерпретация
- •Числовые характеристики непрерывной случайной величины
- •Мода, медиана, квантили, квартили и децили распределения
- •Нормальное распределение (распределение Гаусса)
- •Нормированное нормальное распределение. Функция Лапласа. Правило 3 сигм
- •Интегральная теорема Лапласа
- •Неравенство Чебышева
- •Закон больших чисел (теорема Ляпунова)
- •Теорема Бернулли
- •Центральная предельная теорема
- •Основные понятия математической статистики
- •Понятие оценки параметра, общие требования к оценке параметра
- •Выборочная оценка математического ожидания, ее свойства
- •Метод моментов для точечной оценки параметров распределения
- •Метод максимального правдоподобия
- •Выборочная оценка дисперсии, ее свойства
- •Функция плотности распределения вероятностей одномерной случайной величины, свойства функции плотности. Геометрическая интерпретация
- •Равномерное распределение (дискретный и непрерывный случай)
- •Вариационные ряды
- •Основные выборочные числовые характеристики
- •Графическое представление вариационного ряда (эмпирическая функция распределения, гистограмма, полигон частот)
- •Оценки метода максимального правдоподобия параметров нормального распределения
- •Оценка метода максимального правдоподобия параметра p биномиального распределения
- •Интервальные оценки
- •Доверительный интервал и доверительная вероятность
- •Доверительный интервал для математического ожидания нормально распределенной величины при известной дисперсии
- •Доверительный интервал для математического ожидания нормально распределенной величины при неизвестной дисперсии
- •Доверительный интервал для дисперсии нормально распределенной случайной величины
- •Статистическая гипотеза. Проверка статистических гипотез. Нулевая гипотеза, альтернативная гипотеза. Примеры статистических гипотез
- •Ошибки 1-ого и 2-ого рода. Статистический критерий. Уровень значимости и мощность критерия
- •Критическая и допустимая области. Общая схема проверки гипотезы
- •Проверка гипотезы о числовом значении математического ожидания нормального распределения при известной дисперсии
- •Проверка гипотезы о числовом значении математического ожидания нормального распределения при неизвестной дисперсии
- •Проверка гипотезы о равенстве дисперсий двух нормальных распределений
- •Проверка гипотезы о равенстве математических ожиданий двух нормальных распределений при известных дисперсиях
- •Проверка гипотезы о числовом значении вероятности события
- •Проверка гипотезы о равенстве математических ожиданий двух нормальных распределений при неизвестных, но равных дисперсиях
- •Сравнение двух вероятностей биномиальных распределений
- •Критерий согласия 2 Пирсона
- •Начальные и центральные моменты вариационного ряда
- •Методы получения точечных оценок параметров распределения
Мода, медиана, квантили, квартили и децили распределения
Модой для абсолютно непрерывных распределений (MoX) называется точка локального максимума функции плотности. Для нормального распределения: MoX=MX; распределения, имеющие одну моду, называются одномодальными. Медиана для абсолютно непрерывных случайных величин (MeX) – это граница, левее и правее которой находятся значения случайной величины с вероятностями, равными 0,5. Для нормального распределения MeX=MX. Для дискретных случайных величин медиана находится на отрезке [xl, xl+1] при условии, что (l|i=1) pi 0,5; (l+1|i=1) pi > 0,5. Квантиль уровня p непрерывной случайной величины X – значение xp, при котором функция распределения данной случайной величины F(x) принимает значение, равное p (xp: F(xp)=p, P(X < xp)=p). Дополнительно: xMe=x0,5. Квартили для абсолютно непрерывных случайных величин (Q) – это границы, которые делят всю вероятность на 4 равные части (Q1 – левая, Q2 – центральная, равная медиане, Q3 – правая квартили). Иногда используются децили, которые разделяют всю вероятность на 10 равных частей.
Нормальное распределение (распределение Гаусса)
Сравнительно большое количество малых случайных величин имеет нормальное (или близкое к нормальному) распределение, которое имеет плотность типа (x)=1/(sqr(2))*e-1/2((x-a)/)^2. Случайная величина X имеет нормальное распределение с параметрами a и => XN(a, ). С геометрической точки зрения a – точка максимума плотности и центр симметрии; при увеличении a график смещается вправо, при уменьшении – влево. А при уменьшении максимум плотности (x) увеличивается. При проведении некоторых математических операций и превращений делаем вывод, что параметр a – математическое ожидание, 2 – дисперсия, а - среднее квадратичное отклонение.
Нормированное нормальное распределение. Функция Лапласа. Правило 3 сигм
Нормированное нормальное распределение – это распределение нормированной случайной величины, т.е. величины дисперсия которой равна 1. Для того чтобы нормировать случайную величину, надо ее поделить на среднее квадратичное отклонение. Стандартная нормальная случайная величина – Z (центрированная – математическое ожидание которой равно 0 – и нормированная случайная величина) имеет плотность вида Z(x)=1/(sqr(2))*e-x^2/2. Функция Лапласа Ф(x)=1/sqr(2)*§(x|0) e-z^2/2*dz (функция определена для любых - < x < при Ф(-x)=-Ф(x)) используется для определения вероятности попадания на отрезок. Например, можно найти вероятность попадания XN(a, ) на отрезок [b, c]: P{b X c}=Ф((c-a)/)-Ф((b-a)/). Известно, что почти вся вероятность сосредоточена на отрезке a3: P{a-3 X a+3}=P{-3 (X-a)/ 3}=P{-3 Z 3}=2Ф(3)=0,9973. Вероятность попадания вне этого отрезка составляет всего 0,0027.
Локальная теорема Лапласа (n > 100)
Если вероятность (p) в каждом испытании постоянна и p0, p1, то вероятность того, что событие А появится в n испытаниях ровно k раз (Pn(k)) 1/(sqr(npq)) * 1/(sqr(2)) * e-x^2/2=1/(sqr(npq))*f(x), где f(x) – плотность нормального стандартного закона. x=(k-np)/(sqr(npq)) – данная формула используется при npq 20.
Интегральная теорема Лапласа
Если вероятность (p) удовлетворяет следующим условиям 0 < p < 1, то вероятность того, что событие A появится в n испытаниях не менее k1 и не более k2 раз (Pn(k1, k2)) Ф(x2)-Ф(x1), где x2=(k2-np)/(sqr(npq)) и x1=(k1-np)/(sqr(npq)).