- •1. Событие. Классификация событий
- •2. Вероятность события. Свойства вероятности. Классическая вероятность
- •3. Статистическое определение вероятности
- •4. Геометрическая вероятность
- •5. Задача о встрече
- •6. Действия над событиями
- •7. Теорема сложения вероятностей
- •8. Теорема умножения вероятностей
- •9. Условная вероятность события
- •10. Следствия из теоремы умножения вероятностей
- •11. Формула полной вероятности
- •12. Теорема гипотез (формула Байеса)
- •13. Дискретные и непрерывные случайные величины
- •14. Закон распределения случайной величины
- •15. Функция распределения случайной величины
- •16. Общие свойства функции распределения св
- •17. Плотность распределения случайной величины
- •18. Основные свойства плотности распределения
- •19. Математическое ожидание и его свойства
- •20. Математическое ожидание непрерывной случайной величины
- •21. Мода и медиана
- •22. Дисперсия случайной величины
- •23. Свойства дисперсии
- •24. Система случайных величин. Свойства распределения двумерного случайного вектора
- •25. Функция распределения дискретного двумерного случайного вектора
- •26. Функция и плотность распределения непрерывного двумерного случайного вектора
- •27. Условные законы распределения. Зависимые и независимые случайные величины
- •28. Функция одной дискретной св
- •29. Функция одной непрерывной св
- •30. Корреляционный момент случайных величин X и y и его свойства
- •31. Коэффициент корреляции и его свойства
- •32. Формула Бернулли
- •33. Наивероятнейшее число наступления события
- •34. Асимптотические формулы вычисления вероятностей
- •35. Биномиальный закон распределения
- •36. Закон распределения Пуассона
- •37. Равномерный закон распределения
- •38. Показательный закон распределения
- •39. Нормальный закон распределения
- •40. Математическое ожидание нормального закона распределения
- •41. Дисперсия нормального закона распределения
- •42. Функция Лапласа и ее связь с функцией распределения нормальной случайной величины
- •43. Правило 3σ
- •44. Неравенство Маркова
- •45. Неравенство Чебышева
- •46. Теорема Чебышева
- •47. Теорема Бернулли
- •48. Теорема Ляпунова
- •49. Интегральная теорема Лапласа
- •50. Виды статистических наблюдений
- •51. Виды измерений
- •52. Методы ранжирования
- •53. Группировка и табулирование количественных данных (дискретные и непрерывные вариационные ряды, кумулятивные ряды)
- •54. Графическое изображение вариационных рядов
- •55. Показатели центра распределения (мода, медиана, среднее арифметическое, среднее гармоническое, среднее геометрическое)
- •56. Показатели вариации (размах, лимиты, среднее линейное отклонение, дисперсия, стандартное отклонение)
- •57. Ассиметрия и эксцесс
- •Плосковершинный островершинный полигон
- •58. Оценка показателей альтернативного признака
29. Функция одной непрерывной св
Пусть X - непрерывная СВ с плотностью распределения . Пусть имеется монотонно возрастающая на множестве значений СВ X функция ( - непрерывно дифференцируемая и ). Если множество значений и и ,то функция распределения
.
Здесь – есть плотность распределения СВ .
Для
( - функция, обратная к на сегменте ). Отсюда
Если - монотонно убывающая функция, то для функция распределения имеет вид , а плотность -
30. Корреляционный момент случайных величин X и y и его свойства
Пусть имеется случайный вектор , распределение которого известно, т. е. известна таблица или плотность распределения . Тогда можно найти , . По известному закону распределения можно найти также дисперсии составляющих вектор . Пусть и . Однако математические ожидания и дисперсии СВ X и Y недостаточно полно характеризуют случайный вектор , т. к. не выражают степень зависимости составляющих вектора. Эту роль выполняют корреляционный момент и коэффициент корреляции.
Корреляционным моментом случайных величин X и Y наз. математическое ожидание произведения отклонений этих СВ от своих математических ожиданий: .
Если распределение дискретное, то .
При непрерывном распределении .
Корреляционный момент обладает следующими свойствами:
– свойство симметричности.
Если и независимые случайные величины, то
Обратное, вообще говоря, не имеет места. Если , то в этом случае величины X и Y наз. некоррелированными.
. ;
= = =
31. Коэффициент корреляции и его свойства
- Корреляционный момент
Если отклонения случайных величин от их мат. ожиданий заменить их нормированными отклонениями, то получим безмерную величину - коэффициент линейной корреляции:
Свойства коэффициента линейной корреляции вытекают из свойств корреляционного момента:
;
;
;
Если X и Y– независимые СВ, то ;
Если , то между X и Y существует линейная зависимость.
Доказательство проведем для случая :
Получили, что математическое ожидание неотрицательной величины равно нулю, сама эта величина - тождественный нуль:
,
что и требовалось доказать.
32. Формула Бернулли
Пусть некоторый опыт воспроизводится раз и каждый раз событие A может наступать с одной и той же вероятностью p и не наступает с вероятностью q=1-p, независимо от результатов предыдущих опытов. В этом случае говорят о повторных независимых испытаниях. При этом событие A может наступать 0, 1, 2, … , , … , раз. Число наступлений события – это СВ. Найдем вероятность, с которой событие A наступит раз. Эту вероятность обычно обозначают символом . Интересующее нас событие – наступление A m раз в n испытаниях, можно разбить на частные случаи, каждый из которых определяется номерами тех испытаний, в которых наступает A. Пусть - это наступление A в i-ом испытании. Набор таких i определяет отдельный случай. Например, ( , ,…, )- это случай, когда A наступило в -ом испытании, затем -ом и т.д., во всех же остальных испытаниях A не наступило. Всех случаев будет столько, сколькими способами мы можем выбрать m натуральных чисел из n (1,2,3,…, n), т. е. число всех случаев – это число сочетаний из n элементов по m - .
Найдем вероятность отдельного случая. Чтобы он наступил, должны наступить события и не наступить события , где j пробегает те числа из 1,2,3,…, n, которые отличны от , ,…, . Так как все указанные события независимы и операция умножения событий коммутативна, то вероятность отдельного случая
где .
Мы видим, что все частные случаи равновозможны, поэтому, применяя теорему сложения для несовместных событий, получаем - формула Бернулли.