- •2. Основные понятия теории вероятностей : Случайные события, совместные и несовместные события.
- •3. Основные понятия теории вероятностей : полная совокупность событий, противоположное событие, элементарное событие.
- •5. Вычисление упорядоченных выборок без повторений. Привести пример.
- •6. Вычисление упорядоченных выборок с повторениями. Привести пример
- •7.Вычисление неупорядоченных выборок без повторений. Привести пример
- •8.Вычисление неупорядоченных выборок с повторениями. Привести пример
- •9. Геометрическая вероятность. Привести примеры. Геометрические вероятности.
- •12. Условная вероятность. Вероятность произведения двух зависимых событий.
- •14. Понятие дерево вероятностей.
- •16.Схема Бернулли. Биномиальные коэффициенты.
- •17. Локальная предельная теорема Муавра - Лапласа.
- •19.Интегральная предельная теорема Лапласа как предельное испытание Бернулли.
- •18.Теорема Пуассона. Функция Пуассона как предельное испытание Бернулли
- •21.Понятие случайной величины (св). Понятие функции распределения вероятностей св.
- •24.Математическое ожидание дискретной св и его важнейшие свойства
- •Свойства математического ожидания.
- •25.Дисперсия дискретной св и ее важнейшие свойства
- •30. Непрерывные случайные величины. Функция распределения ( интегральный закон распределения), ее свойства.
- •31.Непрерывные св. Плотность распределения вероятностей (дифференциальная функция), ее свойства.
- •32.Математическое ожидание непрерывной св, ее свойства.
- •Свойства математического ожидания.
- •33.Дисперсия непрерывной св, ее свойства. Стандартное отклонение.
- •35.Вероятность попадания нормально распределенной св в заданный интервал. Правило трех сигм, ее численная реализация.
- •Правило трех сигм. Используя формулу: , вычислим для случая .
- •36.Показательное распределение. Плотность, функция распределения, математическое ожидание и дисперсия. Численная реализация правила трех сигм.
- •37.Равномерное распределение. Плотность, функция распределения, математическое ожидание и дисперсия.
- •Неравенство Чебышева.
- •39. Центральная предельная теорема (цпт) и следствия из нее.
33.Дисперсия непрерывной св, ее свойства. Стандартное отклонение.
D(X) = M([X-M(X) )=M( =M( M(
Свойства:
Свойства дисперсии:
D(X)
X = const, то D(X) = 0 ; D(X) = M ((X-M(X)
X = C = const , то D(C) = M ((C-C
Дисперсия от суммы случайных величин. Пусть X и Y – случайные независимые величины. Тогда D(X+Y) = D(X)+D(Y)
D(X+Y) = M ((X+Y ) – (M(X+Y) = M ( =(M(
.Нормальный закон распределения вероятностей. Плотность вероятности, математическое ожидание, дисперсия, стандартное отклонение.
N(a, вещественная величина, а
X= N(a,
F(x) = P(X<x) =
f(x)=
M(X)=
D(X) =
P(|X-a|,3
Случайные величины, у которых распределение вероятностей – кусочно гладкая функция
F(x)
F(a+0)>F(a-0)
M(X) =
Нарисовать
Нормированным нормальным распределением называется нормальное распределение с параметрами
.
.
- Функция Лапласа.
35.Вероятность попадания нормально распределенной св в заданный интервал. Правило трех сигм, ее численная реализация.
X F(x) = P(X>x) =
P(X<x) = 1-P(X
F(|X –a | <
Правило трех сигм. Используя формулу: , вычислим для случая .
Правило трех сигм: Если случайная величина имеет нормальное распределение, то абсолютная величина ее отклонения от M(X) не превосходит утроенного среднего квадратического отклонения.
Численная реализация правила трех сигм
σ =
ε = 3 σ
P(| X-M(X) | ≤ 3 σ) ≥ 1 - = 1 - = = 0, 8888
36.Показательное распределение. Плотность, функция распределения, математическое ожидание и дисперсия. Численная реализация правила трех сигм.
E(x); f(x) =
F(x) =
Нарисовать
F(x) =
M(X) =
M
M(
D(X) = M(
Численная реализация правила трех сигм
σ =
ε = 3 σ
P(| X-M(X) | ≤ 3 σ) ≥ 1 - = 1 - = = 0, 8888
37.Равномерное распределение. Плотность, функция распределения, математическое ожидание и дисперсия.
R(a,b) , (a< b)
f(x) =
Нарисовать
Площадь равна 1
F(x) =
Нарисовать
M(X) = = =
M(
D(X) =
38.Закон больших чисел. Неравенства Чебышева и Маркова и следствия из них.
{
P( |
Неравенство Чебышева.
Неравенство Чебышева справедливо для ДСВ и НСВ.
Докажем для ДСВ:
Пусть дана ДСВ Х и ее закон распределения.
Теорема: Вероятность абсолютного отклонения случайной величины от M(X) на число не превосходящее не меньше разности 1- ( D(X) / 2)
P( x – M(X) < ) (1 - ( D(X) / 2) )
Доказательство: События { x – M(X) < } и { x – M(X) } противоположны. Тогда вероятность первого события:
P( x – M(X) < ) = 1 - P( x – M(X) ) .
Вычислим
.
Все слагаемые D(X) положительные. Отбросим из данной суммы те слагаемые, для которых
( xi – M(X)) < тогда:
В последнем неравенстве в правой части остались те слагаемые, для которых
( xi – M(X)) , ( xi – M(X))2 2 , откуда D(X) 2 *( pk+1 + pk+2 +…+ pn ) .
Сумма вероятностей pk+1 + pk+2 + …. + pn - есть не что иное, как вероятность того, что:
P(X – M(X) ), тогда D(X) 2 * P(X – M(X) ) ,
P(X – M(X) ) D(X)/2 ; P(X – M(X)< ) 1 - D(X)/2 ,
что и требовалось доказать.
Следствия из неравенства Чебышева:
1. P(X – M(X)|
P(X – M(X) )
Доказательство: 1= P(X – M(X) ) + P(X – M(X) ) P(X – M(X) ) + 1 –
P(X – M(X) )
Формулировка неравенства Маркова
Если среди значений случайной величины Х нет отрицательных, то вероятность того, что она примет какое-нибудь значение, превосходящее положительное число А, не больше дроби , т.е.
,
а вероятность того, что она примет какое-нибудь значение, не превосходящее положительного числа А, не меньше , т.е.