- •Основные сведения о матрицах. Операции над матрицами.
- •2.Определитель n-го порядка и их свойства.
- •Определители любого порядка. Свойства определителей.
- •6.Решение системы n линейных уравнений с n неизвестными методом обратных матриц.
- •7. Система m линейных уравнений с n неизвестными. Метод Гаусса.
- •9. Модель Леонтьева многоотраслевой экономики (балансовый анализ).
- •10. Расстояние между двумя точками. Деление отрезка в данном отношении. Площадь треугольника.
- •11. Линии первого порядка на плоскости.
- •12. Параллельность и перпендикулярность прямых.
- •13. Расстояние от точки до прямой.
- •14.Вектор. N-мерное векторное пространство. Линейные операции над векторами.
- •15. Линейная зависимость и независимость векторов. Базис. Разложение вектора по базису.
- •16. Предел функций в точке. Арифметические операций над пределами.
- •Первый замечательный предел
- •Второй замечательный предел
- •18. Бесконечно малые и бесконечно большие функций. Свойства.
- •Свойства бесконечно малых
- •19. Сравнение бесконечно малых.
- •22. Разрывы первого и второго рода.
- •23. Задача о производительности труда. Определение производной. Зависимость между непрерывностью и дифференцируемостью функции.
- •Понятие производной
- •24.Основные правила дифференцирования. Производные элементарных функций. Правила дифференцирования
- •25.Производные обратной и сложной функций.
- •26. Производные и дифференциалы высших порядков.
- •27.Понятие дифференциала функции. Применение дифференциала в приближенных вычислениях.
- •28.Основные теоремы дифференциального исчисления: Ферма, Ролля, Лагранжа.
- •29.Раскрытие неопределенностей.
- •30.Экстремумы функций. Необходимые и достаточные условие экстремума.
- •31.Наибольшее и наименьшее значение функций.
- •32.Выпуклость, вогнутость и точки перегиба кривой.
- •33.Асимптота графика функций. Общая схема исследования и построение графика функций.
- •34.Первообразная функций и неопределенный интеграл. Свойства неопределенного интеграла.
- •41.Дифференциальные уравнения с разделяющимися переменными.
- •42.Однородные линейные дифференциальные уравнения первого порядка.
- •43.Линейные дифференциальные уравнения первого порядка. Использование дифференциальных уравнении в экономике.
- •44. Определение функции двух переменных. Линии и поверхности уровня функции двух переменных.
- •45. Частные производные. Полное производное и полный дифференциал.
- •46. Производная по направлению. Градиент функции.
- •47. Экстремум функции многих переменных (необходимое и достаточное условия).
- •48. Наибольшее и наименьшее значения функции.
- •49. Метод Лагранжа.
- •50. Классическое и статистическое определение вероятности.
- •51. Элементы комбинаторики.
- •52. Теоремы сложения и умножения вероятностей.
- •53. Условная вероятность. Теорема сложения вероятностей для совместных событий.
- •54. Формула полной вероятности. Формула Бейеса.
- •55. Формула Бернулли. Формула Пуассона.
- •56. Понятие случайной величины. Закон распределения дискретных случайных величин.
- •57. Числовые характеристики дискретных случайных величин.
- •58. Биноминальный закон распределения.
- •59. Непрерывная случайная величина. Закон распределения вероятностей и основные числовые характеристики.
- •60. Функция плотности вероятностей.
- •61. Нормальное распределение.
- •62. Неравенство и теорема Чебышева. Закон больших чисел.
- •63. Задача математической статистики. Выборочный метод. Статистические оценки параметров распределения.
- •64. Несмещенные, эффективные и состоятельные оценки.
- •65. Интервальная оценка.
- •66. Корреляционный анализ. Линейная регрессия. Коэффициент корреляции.
60. Функция плотности вероятностей.
Пло́тность вероя́тности — один из способов задания вероятностной меры на евклидовом пространстве . В случае, когда вероятностная мера является распределением случайной величины, говорят о плотности случайной величины.
Пусть является вероятностной мерой на , то есть определено вероятностное пространство , где обозначает борелевскую σ-алгебру на . Пусть m обозначает меру Лебега на .
Определение 1. Вероятность называется абсолютно непрерывной (относительно меры Лебега) (), если любое борелевское множество нулевой меры Лебега также имеет вероятность ноль:
Если вероятность абсолютно непрерывна, то согласно теореме Радона-Никодима существует неотрицательная борелевская функция такая, что
,
где использовано общепринятое сокращение , и интеграл понимается в смысле Лебега.
Определение 2. В более общем виде, пусть — произвольное измеримое пространство, а μ и ν — две меры на этом пространстве. Если найдется неотрицательная измеримая функция f, позволяющая выразить меру ν через меру μ в видеν(A) = ∫fdμ,
A
то такую функцию называют плотностью меры ν по мере μ, или производной Радона-Никодима меры ν относительно меры μ, и обозначают
.
61. Нормальное распределение.
В следующем разделе в качестве примера приведено часто встречающееся нормальное (или наиболее вероятное) распределение. Этот тип ММР реализуется при некоторых видах полимеризации и всегда при деструкции полимеров.
Нормальное распределение по длинам можно получить в том гипотетическом случае, если соединить все мономерные звенья системы в одну линейную цепь и затем разрушить по закону случая какую-то часть связей e. Тогда вероятность сохранения связи в цепи равна 1-e, а вероятность нахождения цепи из Р звеньев - W(P) ~ (1 - e)P-1e.
Откуда числовая доля цепей из Р звеньев - rn (P)
rn (P) = A (1 - e)P-1e.
где А - коэффициент пропорциональности.
Представим (1 -e)Р в виде е-u, где -u = P.ln(1-e), если ln(1-e) разложить в ряд, то при e << 1 всеми членами, кроме первого, можно пренебречь, тогда u » P e и ( 1 - e )Р = е-u»eP.ln(1-e) и rn(P)» A.e.(1-e)P» A.e.e-Pe.
Коэффициент А находим из условия нормировки:
, то А = 1 или
Массовая доля цепей из Р звеньев в этом случае выражается следующим образом:
для e<< 1
Из условия нормировки:
Отсюда А = e, а
для случая нормального распределения (рис.4).
Определим значения и для нормального распределения.
Из определения этих величин следует, что
Дважды интегрируя по частям, получим = 1/e.
Аналогичным образом для имеем -
Откуда следует, что ширина нормального распределения
Рис.4. Числовая rn (P) (а) и массовая rw (P) (б) функции нормального распределения.
62. Неравенство и теорема Чебышева. Закон больших чисел.
И зучение статистических закономерностей позволило установить, что при некоторых условиях суммарное поведение большого количества случайных величин почти утрачи-вает случайный характер и становится закономерным (иначе говоря, случайные отклонения от некоторого среднего поведения взаимно погашаются). В частности, если влияние на сумму отдельных слагаемых является равномерно малым, закон распределения суммы приближается к нормальному. Математическая формулировка этого утверждения дается в группе теорем, называемой законом больших чи
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 Х задается рядом распределения
Х х1 х2 … хп
р р1 р2 … рп
Так как события |X – M(X)| < ε и |X – M(X)| ≥ ε противоположны, то р ( |X – M(X)| < ε ) + + р ( |X – M(X)| ≥ ε ) = 1, следовательно, р ( |X – M(X)| < ε ) = 1 - р ( |X – M(X)| ≥ ε ). Найдем р ( |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 первые kслагаемых. 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 + … + pn есть вероятность того, что |X – M(X)| ≥ ε, так как это сумма вероятностей всех возможных значений Х, для которых это неравенство справедливо. Следовательно, D(X) ≥ ε² р(|X – M(X)| ≥ ε), или р (|X – M(X)| ≥ ε) ≤ D(X) / ε². Тогда вероятность противоположного события p( | X – M(X)| < ε ) ≥ D(X) / ε², что и требо-валось доказать.
Теоремы Чебышева и Бернулли.
Теорема 13.2 (теорема Чебышева). Если Х1, 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
найдем ее математическое ожидание. Используя свойства математического ожидания, получим, что
Применим к неравенство Чебышева: Так как рассматриваемые случайные величины независимы, то, учитывая условие теоремы
имеем: этот результат, представим предыдущее неравенство в виде:
Перейдем
Теорема доказана.
Следствие.
Если Х1, Х2, …, Хп – попарно независимые случайные величины с равномерно ограничен-ными дисперсиями, имеющие одинаковое математическое ожидание, равное а, то для любого
сколь угодно малого ε > 0 вероятность неравенства будет 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 значению а измеряемой 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.