- •Часть 2
- •Тема 21. Скалярное поле. Производная по направлению и градиент
- •1. Скалярное поле
- •2. Призводная по направлению и градиент
- •Тема 22. Векторное поле и его поток через поверхность. Дивергенция и ротор
- •1. Векторное поле. Дивергенция и ротор векторного поля
- •2. Потенциальные и соленоидальные поля
- •3. Поток векторного поля. Формула Гаусса-Остроградского
- •4. Циркуляция векторного поля. Формула Стокса
- •Лекция №13
- •Тема 23. Основные понятия теории вероятностей. Формулы комбинаторики
- •1. Случайные события. Алгебра случайных событий
- •2. Вероятность. Дискретное и непрерывное вероятностные пространства
- •3. Применение комбинаторных формул для вычисления вероятностей в классической схеме
- •Тема 24. Основные теоремы и формулы теории вероятностей
- •1. Условные вероятности. Независимость событий. Формулы умножения и сложения вероятностей
- •2. Формула полной вероятности
- •3. Формула полной вероятности
- •4. Последовательность испытаний
- •5. Последовательность независимых испытаний. Схема Бернулли
- •6. Предельные теоремы в схеме Бернулли
- •Лекция №14
- •Тема 25. Случайные величины. Числовые характеристики случайных величин
- •1. Понятие случайной величины
- •2. Законы распределения дискретных случайных величин
- •3. Случайные величины в общей схеме
- •1. Характеристики положения
- •2. Характеристики рассеивания
- •В частности, из определения медианы следует, что
- •Тема 26. Основные законы распределения Основные законы распределения дискретных случайных величин
- •1. Наиболее распространенные законы распределения дискретных случайных величин
- •2. Гипергеометрическое распределение
- •Основные законы распределения непрерывных случайных величин
- •1. Наиболее распространенные законы распределения непрерывных случайных величин
- •2. Распределение некоторых случайных величин, представляющих функции нормальных величин
- •Тема 27. Выборка и ее характеристики. Точечные и интервальные оценки. Проверка статистических гипотез
- •1. Выборка и способы ее записи. Графическое представление выборки
- •2. Числовые оценки параметров распределения
- •Статистическое оценивание
- •Для оценки математического ожидания случайной величины всем условиям удовлетворяет средняя арифметическая :
- •Интервальное оценивание
- •Лекция №15
- •Тема 28. Модель парной регрессии
- •Парная регрессия и корреляция
- •1. Спецификация модели
- •2. Оценка параметров линейной регрессии
- •3. Предпосылки мнк (условия Гаусса-Маркова)
- •4. Оценка существенности параметров линейной регрессии и корреляции
- •5. Интервалы прогноза по линейному уравнению регрессии
- •Парная нелинейная регрессия и корреляция
- •Тема 29. Модель множественной регрессии. Гетероскедастичность и автокоррелированность остатков. Обобщенный метод наименьших квадратов
- •Частные уравнения регрессии
- •Спецификация модели
- •Фиктивные переменные в регрессионных моделях
- •Предпосылки метода наименьших квадратов
- •Гетероскедастичность
- •Обобщенный метод наименьших квадратов
Лекция №14
Тема 25. Случайные величины. Числовые характеристики случайных величин
1. Понятие случайной величины
Случайной
величиной
называется числовая функция X
= X
(
)
от элементарных событий
.
Таким образом, случайная величина
определена на множестве элементарных
исходов
и в зависимости от случая принимает
разные числовые значения. Из этого
определения случайных величин следует,
что на них распространяются все правила
действий с обычными функциями: их можно
складывать, вычитать, перемножать и т.
д.
Случайные величины принято обозначать прописными буквами латинского алфавита X, Y, Z,…, а их возможные значения соответствующими малыми буквами.
Пример.
Пусть множество элементарных исходов
состоит из шести равновероятных исходов
,
=
1, 2,…, 6. Определим на этом множестве
следующие случайные величины:
а) Х
(
)
= 1, Х
(
)
= 2, Х
(
)
= 3, Х
(
)
= 4, Х
(
)
= 5,
Х (
)
=
6;
б) Y
(
)
= 1, Y
(
)
= 0, Y
(
)
= 1,
Y
(
)
=
0,
Y
(
)
= 1,
Y
(
)
= 0;
в) Z ( ) = 1, Z ( ) = 1, Z ( ) = 1, Z ( ) = 1, Z ( ) = 1, Z ( ) = 1.
Сумма случайных величин X и Y дает новую случайную величину W, которая определяется из равенства
W
(
)
= X
(
)
+ Y
(
).
Следовательно,
W ( ) = 2, W ( ) = 2, W ( ) = 4, W ( ) = 4, W ( ) = 6, W ( ) = 6.
Произведение случайных величин Y и Z даст другую новую случайную величину V, определенную равенством
V ( ) = Y ( ) · Z ( ).
Из этого равенства следует
V ( ) = 1, V ( ) = 0, V ( ) = 1, V ( ) = 0, V ( ) = 1, V ( ) = 0.
Пример.
В схеме независимых испытаний Бернулли
множество
состоит из элементарных событий (цепочек)
= (
,
,
…,
),
где
=
1, если при
-м
испытании произошел успех, и
=
0 в случае неудачи. Случайная величина
X
= X
(
)
=
+
+…+
равна числу успехов при
испытаниях
в схеме Бернулли.
Любую константу С можно рассматривать как частный случай случайной величины X = X ( ) ≡ С. Такие случайные величины называются вырожденными. Простейшими случайными величинами, отличными от вырожденных, являются индикаторы. С каждым событием можно связать случайную величину
=
(
)
= 1, если
А;
=
(
)
= 0, если
А,
называемую индикатором события А. Индикаторы удовлетворяют следующим легко проверяемым свойствам:
= 0,
= 1,
=
,
= 1 –
.
Если события и несовместны, то
=
+
.
Пусть
<
<
… <
– всевозможные
значения случайной величины X.
Из определения случайной величины и
основных свойств вероятностей можно
найти вероятности, с которыми случайная
величина
X
принимает
свои возможные значения
,
=
1, 2,…,
.
Обозначим
через
событие, состоящее из всех тех элементарных
исходов
,
для которых X
(
)
принимает значение
:
= {
| X
(
)
=
}.
Тогда вероятность того, что
X
примет значение
,
равна
{
}.
В зависимости от значений
событие
может оказаться невозможным, состоять
из одного исхода, из двух и даже из всего
множества элементарных исходов.
В
вышеприведенном примере для случайной
величины
нетрудно получить следующие вероятности
ее числовых значений:
{ = 0} = 1/2, { = 1} = 1/2,
а для величины W
{W = 2} = 1/3, {W = 4} = 1/3, {W = 6} = 1/3.
