- •1. Предмет теории вероятностей. Понятие случайного события.
- •2. Основные типы событий(1 билет). Алгебра событий.
- •Статистическое определение вероятности
- •4. Теорема сложения вероятностей.
- •Теорема сложения вероятностей совместных событий.
- •7.Формула полной вероятности.
- •8. Формула Бейеса.
- •9. Формула Бернулли.
- •10. Формула Пуассона и условия ее применимости.
- •11. Дискретные случайные события и возможности их описания.
- •12. Закон распределения дискретной случайной величины. Многоугольник распределения.
- •18.Непрерывная случайная величина. Числовые характеристики непрерывных случайных величин.
- •Способы отбора:
- •29. Статистические оценки параметров распределения.
- •30. Выборочная средняя и выборочная дисперсия.
- •32. Проверка статистических гипотез.
12. Закон распределения дискретной случайной величины. Многоугольник распределения.
Опр.: Закон распределения СВ – это всякое соотношение устанавливающее связь между возможными значениями СВ и соответствующими ими вероятностями. Говорят, что СВ распределена по данному закону или подчинена этому закону распределения.
ЗАКОН распределения ДСВ может быть задан в виде таблицы:
х1 |
х2 |
… |
хn |
p1 |
p2 |
… |
pn |
- ряд распределения ДСВ
где, х1, х2,…, хn – возможные значения СВ, в порядке возрастания
p1, p2,..., pn – соответствующие им вероятности.
Очевидно, что суммы вероятностей pi=1
Т.к.события Х=х, х=1,…,х= хn образуют полную группу событий.
Закон распределения дискретной случайной величины может быть представлен в виде многоугольника распределения – фигуры, состоящей из точек, соединенных отрезками
Многоугольники унимодального (а), полимодального (б) и антимодального (в) распределений.
13. Функция распределения и ее свойства. Вероятность попадания случайной величины на заданный интервал.
Опр.: ф-я распределения С.В.Х. называется ф-я F(x)выражающая для каждого Х вероятность того,что примет значение:F(x)=P(x<x)
Ф-я F(x) называется интегральная ф-я распределения.
Св-ва ф-ии F(x):
1)0<=F(x)<=1;2)F(x)-неубыв.ф-я на всей числовой оси.;
3)4)P(x1<=x<=x2)=F(x2)-F(x1)
График:составим ф-ю распределения F(z)=?
1)z<=-1следовательно F(z)=P(z<z)=0
2)-1<z<=0след-ноF(z)=P(z<z)=P(z=-1)=0,08;
3)0<z<=1cлед.F(z)=P(z<z)=P(z=-1)+P(z=0)=0,34
4)1<z<=2 F(z)=p(Z<z)=P(Z=-1)+P(Z=0)+
P(Z=1)=0,08+0,26+0,22=0,56
0,08;-1<z<=0
F(X)= 0,34;0<z<1
0,56;1<z<=2
0,76;2<z<=3
0,96;3<z<=4
1;z>4
Вероятность того, что значение дискретной случайной величины Fx (x) попадает в интервал (a, b), равнаяP(a < x < b) = Fx (b) -Fx (a), вычисляется по формулам:
Если a= - , то ,
если b= , то .
14. Плотность распределения и ее свойства. Вероятностный и геометрический смысл плотности распределения.
Плотностью распределения вероятностей непрерывной С.В. называют первую производную от ф-ии распределения:f(x)=F(x)
Св-ва:1)плотность распределения неотриц.,т.е.f(x)>=0
2)вер-ть попадания непрерывнрой С.В. в интервал(а,в)равна интервалу от ее плотности вероятности в пределах от а до в P(a<x<b)=
Геометрически,полученная вероятность равна S фигуры ограниченной сверху кривой распределения и опирается на отрезок ав
15. Математическое ожидание случайной величины и его свойства.
Математическим ожиданием(средним значением)называют сумму следущего ряда,если он сходится М(х)=
Св-ва М(х):1)М(с)=с:2)М(к*х)=к*М(х),к-постоянная величина,К=const
Док-во:М(К*Х)=
3)Математическое ожидание
M(x+-y)=M(x)+-M(y)
M(x*y)=M(x)*M(y)
M[x-M(x)]=0
16. Дисперсия и среднее квадратичное отклонение случайной величины и ее свойства.
Опр:дисперсией D(x) С.В.Х. называется математическое ожидание квадрата ее отклонение от математического ожидания D(x)=M[(x-
Если С.В. дискретная с конечным числом значений,то
D(x)=,где а= М(х)
Если С.В.Х дискретная с бесконечно счетным,множеством значений,тогда дисперсия D(x)=,a=M(x),если ряд в правой части сходится
Опр:Средним квадратическим отклонением (х) С.В.Х. называется число
Замечание:матем.ожидание М(х) характеризует среднее значение С.В.
Дисперсия D(x)характеризует квадратичное отклонение С.В. от среднего значения:
Св-ва D(x): 1)D(c)=0: 2)D(k*x)=*D(x)
Док-во:D(k*x)=M=
M=
3)дисперсия D(x+-y)=D(x)+D(Y)
4)D(x)=M(x2)-(M(x))2
Док-во:D(x)=M(x-M(x))2)=M(x2-2x*M(x)+M2(x))=M(x2)-2M(x)*M(M(x))+M(M2(x))=M(x2)-2M(x)*M(x)+M2(x)=M(x2)-M2(x)
M(x) M2(X)-постоянные величины
17. Математическое ожидание и дисперсия числа появления события в независимых опытах.
Пусть производится n независимых опытов, вероятность появления события в каждом из которых равна Р. Число появлений события в этих n опытах является случайной величиною Х распределённой по биномиальному закону. Однако, непосредственное вычисление её среднего значения громоздко. Для упрощения воспользуемся разложением, которым будем пользоваться в дальнейшем неоднократно: Число появления события в n опытах состоит из числа появлений события в отдельных опытах, т.е.
где имеет закон распределения (принимает значение 1, если событие в данном опыте произошло, и значение 0, если событие в данном опыте не появилось).
0 |
1 |
|
Р |
1-р |
р |
Поэтому
или
т.е. среднее число появлений события в n независимых опытах равно произведению числа опытов на вероятность появления события в одном опыте.
Например, если вероятность попадания в цель при одном выстреле равна 0,1, то среднее число попадания в 20 выстрелах равно 20×0,1=2.
Производится n независимых испытаний и вероятность появления события в каждом испытании равна р. Выразим, как и прежде, число появления события Х через число появления события в отдельных опытах
Так как опыты независимы, то и связанные с опытами случайные величины независимы. А в силу независимости имеем
0 |
1 |
|
Р |
1-р |
р |
Но каждая из случайных величин имеет закон распределения и , поэтому по определению дисперсии
,
где q=1-p
В итоге имеем ,
Среднее квадратическое отклонение числа появления событий в n независимых опытах равно .