- •1. Предмет теории вероятностей. Понятие случайного события.
- •2. Основные типы событий, алгебра событий.
- •3.Понятие вероятности события. Классическое, статистическое и геометрическое определение вероятности. Свойства вероятностей.
- •Урны и шарики
- •Урновая схема: выбор без возвращения, с учетом порядка
- •Урновая схема: выбор без возвращения и без учета порядка
- •Урновая схема: выбор с возвращением и с учетом порядка
- •Урновая схема: выбор с возвращением и без учета порядка
- •8.Формула полной вероятности.
- •9. Формула Бейеса.
- •10. Формула (схема) Бернулли.
- •11. Предельные теоремы в схеме Бернулли. Формула Пуассона и условия её применимости.
- •Предельные теоремы для схем Бернулли
- •Пуассоновское приближение
- •Нормальное приближение
- •О применимости предельных теорем в схеме Бернулли
- •12. Локальная и интегральная теорема Муавра-Лапласа.
- •13. Дискретные случайные события и возможности их описания.
- •15. Функция распределения и её свойства. Вероятность попадания случайной величины на заданный интервал.
- •16. Плотность распределения и её свойства. Вероятностный и геометрический смысл плотности распределения.
- •17. Математическое ожидание случайной величины и его свойства.
- •18. Дисперсия и среднее квадратическое отклонение случайной величины. Свойства дисперсии. Производящая функция.
- •19. Мода и медиана. Моменты случайных величин. Асимметрия и эксцесс. Квантили распределения.
- •20. Математическое ожидание и дисперсия числа появления события в независимых опытах.
- •21. Непрерывная случайная величина. Числовые характеристики непрерывных случайных величин.
- •Кривая распределения вероятностей.
- •22. Закон равномерного распределения.
- •23. Экспонентный закон распределения.
- •24. Нормальное распределение. Функция Лапласа. Вероятность попадания в заданный интервал.
- •25. Функция распределения двумерной случайной величины.
- •26. Плотность распределения вероятностей двумерной случайной величины и её свойства.
- •27. Зависимость и независимость двух случайных величин. Числовые характеристики двумерной с.В. Математическое ожидание и дисперсия.
- •28. Корреляционный момент. Коэффициент корреляции. Свойства ковариации и коэффициента корреляции.
- •Свойства ковариации Править
- •29. Предельные теоремы теории вероятностей. Неравенство и теория Чебышева
- •31. Центральная предельная теорема.
- •32. Математическая статистика. Основные понятия.
- •33. Генеральная совокупность и выборка. Характеристики выборки. Способы отбора.
- •34. Статистическое распределение выборки.
- •35. Эмпирическая функция распределения.
- •36. Полигон и гистограмма.
- •37. Статистические оценки параметров распределения.
- •39. Точечная и интервальная оценки. Доверительный интервал. Методики нахождения точечных оценок.
- •40. Метод статистических гипотез.
28. Корреляционный момент. Коэффициент корреляции. Свойства ковариации и коэффициента корреляции.
Коэффициентом ковариации называется выражение:
cov(X,Y)=M[(X-MX)(Y-MY)]=M[XY-XMY-YMX+MX•MY]=MXY-2MX•MY+MX•MY=MXY-MX•MY
Если случайные величины XY независимы, то их коэффициент ковариации равен нулю, обратное в общем случае неверно.
Коэффициентом корреляции случайных величин X и Y называется число:
X*=(X-MX)/σx Y*=(Y-MY)/σy
D(X±Y)=M[X±Y-M(X±Y)]2=M[X±Y-MX∓MY]2=M[(X-MX)±(Y-MY)]2=M[(M-MX)2±2(X-MX)(Y-MY)+(Y-MY)2]=M(X_MX)2±2M(X-MX)(Y-MY)+M(Y-MY)2=DX±cov(XY)+DY
Следствие:
Если X и Y независимы, то коэффициент ковариации равен 0 и следовательно
D(X±Y)=DX±DY
Свойства коэффициента корреляции
1. -1≤pxy≤1 2. Если |pxy|=1, то с вероятность 1 X и Y связаны линейно. То есть, если коэффициент корреляции |pxy|=1, то результаты опыта лежат на прямой
В общем случае Y можно представить в виде
y=ax+b+z DZ=σy2(1-pxy)2
Коэффициент корреляции является мерой близости линейной связи между случайными величинами X и Y: чем ближе коэффициент корреляции по модулю к 1, тем более тесно результаты конкретного испытания над X и Y соотносятся с прямой ax+b.
Свойства ковариации Править
Ковариация симметрична:
.
В силу линейности математического ожидания, ковариация может быть записана как
.
Пусть случайные величины, а их две произвольные линейные комбинации. Тогда
.
В частности ковариация (в отличие от коэффициента корреляции) не инварианта относительно смены масштаба, что не всегда удобно в приложениях.
Ковариация случайной величины с собой равна дисперсии:
.
Если независимые случайные величины, то
.
Обратное, вообще говоря, неверно.
Неравенство Коши — Буняковского:
.
29. Предельные теоремы теории вероятностей. Неравенство и теория Чебышева
Неравенство Чебышева.
Неравенство Чебышева, используемое для доказательства дальнейших теорем, справед-ливо как для непрерывных, так и для дискретных случайных величин. Докажем его для дискретных случайных величин.
Теорема 13.1(неравенство Чебышева). p(|X – M(X)| <ε) ≥D(X) /ε². (13.1)
Доказательство. Пусть Хзадается рядом распределения
Х |
х1 |
х2 |
… |
хп |
р |
р1 |
р2 |
… |
рп |
Так как события |X – M(X)| < ε и |X – M(X)| ≥ ε противоположны, тор( |X – M(X)| < ε ) + +р( |X – M(X)| ≥ ε ) = 1, следовательно,р( |X – M(X)| < ε ) = 1 -р( |X – M(X)| ≥ ε ). Найдемр( |X – M(X)| ≥ ε ).
D(X) = (x1–M(X))²p1+ (x2–M(X))²p2+ … + (xn – M(X))²pn .Исключим из этой суммы те слагаемые, для которых |X – M(X)| < ε. При этом сумма может только уменьшиться, так как все входящие в нее слагаемые неотрицательны. Для определенности будем считать, что отброшены первыеk слагаемых. Тогда
D(X) ≥ (xk+1–M(X))²pk+1+ (xk+2–M(X))²pk+2+ … + (xn – M(X))²pn≥ε² (pk+1 +pk+2+ … +pn).
Отметим, что pk+1 +pk+2+ … +pnесть вероятность того, что |X – M(X)| ≥ ε, так как это сумма вероятностей всех возможных значенийХ, для которых это неравенство справедливо. Следовательно,D(X) ≥ε²р(|X – M(X)| ≥ ε), илир(|X – M(X)| ≥ ε) ≤D(X) /ε². Тогда вероятность противоположного событияp(|X – M(X)| <ε) ≥D(X) /ε², что и требо-валось доказать.
Теоремы Чебышева и Бернулли.
Теорема 13.2 (теорема Чебышева). ЕслиХ1,Х2,…,Хп– попарно независимые случайные величины, дисперсии которых равномерно ограничены (D(Xi) ≤C), то для сколь угодно малого числа ε вероятность неравенства
будет сколь угодно близка к 1, если число случайных величин достаточно велико.
Замечание. Иначе говоря, при выполнении этих условий
Доказательство. Рассмотрим новую случайную величину и найдем ее математическое ожидание. Используя свойства математического ожидания, получим, что. Применим кнеравенство Чебышева:Так как рассматриваемые случайные величины независимы, то, учитывая условие теоремы, имеем:Используя этот результат, представим предыдущее неравенство в виде:
Перейдем к пределу при:Поскольку вероятность не может быть больше 1, можно утверждать, что
Теорема доказана.
Следствие.
Если Х1,Х2, …,Хп– попарно независимые случайные величины с равномерно ограничен-ными дисперсиями, имеющие одинаковое математическое ожидание, равноеа, то для любого сколь угодно малого ε > 0 вероятность неравенствабудет как угодно близка к 1, если число случайных величин достаточно велико. Иначе говоря,.
Вывод:среднее арифметическое достаточно большого числа случайных величин прини-мает значения, близкие к сумме их математических ожиданий, то есть утрачивает характер случайной величины. Например, если проводится серия измерений какой-либо физической величины, причем: а) результат каждого измерения не зависит от результатов остальных, то есть все результаты представляют собой попарно независимые случайные величины; б) измерения производятся без систематических ошибок (их математические ожидания равны между собой и равны истинному значениюаизмеряемой величины); в) обеспечена определенная точность измерений, следовательно, дисперсии рассматривае-мых случайных величин равномерно ограничены; то при достаточно большом числе измерений их среднее арифметическое окажется сколь угодно близким к истинному значению измеряемой величины.
Теоремы Маркова и Бернулли.