- •2. Классификация измерений и погрешностей измерений.
- •3. Формы представления погрешностей. Свойства случайных погрешностей.
- •4. Основные понятия теории вероятностей. Геометрическая вероятность.
- •5. Основные формулы комбинаторики. Примеры использования
- •6. Теорема сложения вероятностей и ее следствия
- •8.Формула полной вероятности. Формула Бейеса
- •9. Формула Бернулли. Примеры использования.
- •10.Дискретные и непрерывные случайные величины и их характеристики.
- •12. Свойства плотности и функции распределения вероятностей
- •13.Начальные и центральные моменты для дискретных и непрерывных случайных величин.
- •15. Закон больших чисел и центральная предельная теорема
- •17 Точечные и интервальные оценки.
- •18.Понятие доброкачественной оценки
- •19. Методы получения доброкачественных оценок. Метод максимального правдоподобия.
- •20. Равномерный закон распределения случайных величин
- •21. Биномиальный закон распределения
- •22. Локальная и интегральная теоремы Лапласа
- •23. Нормальный закон распределения случайных величин. M(X), d(X), σ.
- •24. Показательное (экспоненциальное) распределение. M(X), d(X), σ
- •26.Распределение Стьюдента
- •27. Распределение хи-квадрат. M(X), d(X), σ
- •28. Гамма распределение
- •29. Мешающие параметры, необходимость их выявления. Критерии Аббе и Граббса
- •30. Приближённые методы исследования ряда случайных величин на соответствие закону распределения.
- •31.Характеристики формы, их вычисление и суть
- •32. Графический критерий исследования ряда погрешностей на соответствие нормальному закону распределения
- •33. . Точные критерии исследования ряда случайных величин. Критерии Пирсона и Колмогорова.
- •34.Основные методы наименьших квадратов. Способы составления систем нормальных уравнений. Метод наименьших квадратов
- •35.Линейная и квадратичная аппроксимация. Построение линий тренда.
- •37.Полиномиальные преобразования при помощи функции нескольких переменных
- •38 . Оценка точности в методе наименьших квадратов.
- •39. Понятие веса. Классическая обработка неравноточных измерений
- •40.Классическая обработка равноточных измерений. Задача эталонирования
- •41.Выявление мешающих параметров непараметрическими методами. Критерий Хэмпэла
- •44.Адаптивная оценка Хогга. Два способа вычисления индикатора k
- •45.Выявление эффектов гетероскедастичности
- •46. Методы выявления систематического влияния. Критерии серий.
- •47. Методы выявления эффектов автокорреляции. Критерий Дарбина-Уотсона.
- •48. Второй центральный смешанный момент (ковариация).
- •49. Парные, частные и множественные коэффициенты корреляции
- •50. Выявление значимости связей.
- •51. Коэффициент достоверности аппроксимации. Оценка надёжности по критерию Фишера.
- •52. Понятие экстраполяции (прогнозирование результатов измерений)
- •53. Фундаментальная теорема переноса ошибок имеет вид:
- •54. Оценка точности функций зависимых результатов измерений.
24. Показательное (экспоненциальное) распределение. M(X), d(X), σ
Показательным (экспоненциальным) называется распределение вероятностей непрерывной случайной величины X, которое описывается плотностью, имеющей вид
где λ –постоянная положительная величина
Функция распределения:
Вероятность попадания в интервал:
Математическое ожидание:
Дисперсия:
Среднее квадратическое отклонение:
25.Распределение Пуассона можно описать с помощью следующей математической модели. Пусть событие А происходит многократно с течением времени, то есть имеет место поток однородных событий, который удовлетворяет следующим условиям:
1) Поток стационарен, то есть вероятность попадания k событий в промежуток времени (t; t+τ) зависит только от числа событий k и длины промежутка τ, но не зависит от начала t. Это означает, что математическое ожидание числа событий в единицу времени (плотность потока) постоянно.
2) Поток без последствия, то есть вероятность попадания k событий в промежуток времени (t; t+τ) не зависит от числа и появления событий до момента времени t, то есть имеет место взаимная независимость появления того или иного числа событий в непересекающиеся промежутки времени.
3) Поток ординарен, то есть вероятность попадания двух и более событий в промежуток времени (t; t+τ) пренебрежимо мала по сравнению с вероятностью попадания одного события в этот промежуток, то есть вероятность одновременного появления двух и более событий равна нулю.
Поток событий, удовлетворяющий условиям 1)–3) называется простейшим. Плотность простейшего потока обозначим μ.
Вероятность того, что событие А в промежутке времени τ осуществится х раз, равна
где λ=μτ – среднее число событий, происходящих в промежутке времени τ
Числовые характеристики: МХ= DX=λ, σ(X)=
26.Распределение Стьюдента
Распределение хи-квадрат Случайная величина есть отношение двух независимых случайных величин и , то есть
Распределение случайной величины называется распределением Стьюдента с степенями свободы. Его плотность задаётся формулой
Математическое ожидание и дисперсия случайной величины, подчинённой распределению Стьюдента
, есть
Как и в случае и хи-квадрат распределением, при увеличении распределение Стьюдента стремиться к нормальному, более того, стандартизованному нормальному (то есть с нулевым математическим ожиданием и единичной дисперсией). Распределение Стьюдента, как хи-квадрат распределение, широко применяется в задачах математической обработки измерений.
27. Распределение хи-квадрат. M(X), d(X), σ
Распределение Пирсона (хи - квадрат) – распределение случайной величины где случайные величины X1, X2,…, Xn независимы и имеют одно и тоже распределение N(0,1). При этом число слагаемых, т.е. n, называется «числом степеней свободы» распределения хи – квадрат. Распределение хи-квадрат используют при оценивании дисперсии (с помощью доверительного интервала), при проверке гипотез согласия, однородности, независимости, прежде всего для качественных (категоризованных) переменных, принимающих конечное число значений.