- •1. Погрешность вычисления. (Источники возникновения погрешностей вычисления. Устранимые и неустранимые погрешности. Абсолютная и относительная погрешности). Задача.
- •2. Точные и приближенные численные методы. Понятие о сходимости приближенных методов. Задача.
- •3. Численные методы решения обыкновенных диф уравнений (понятие разностной производной, численные методы решения задачи Коши для уравнения первого порядка, Метод Эйлера, методы Рунге-Кутта). Задача.
- •5. Повторные независимые испытания. (Понятие повторных независимых испытаний. Формула Бернулли. Асимптотическая формула Пуассона.) Задача.
- •6. Понятие случайной величины и ее закона распределения. Дискретные и непрерывные случайные величины. Задача.
- •7. Функция распределения и плотность вероятности случайной величины. Задача.
- •8. Основные характеристики случайной величины (математическое ожидание, дисперсия, среднее квадратическое отклонение). Задача.
- •9. Случайные процессы. (Понятие случайного процесса, реализация и сечение случайного процесса, марковский случайный процесс, марковские цепи).
- •10. Задачи безусловной оптимизации. (Постановка задачи, необходимые и достаточные условия оптимальности в задачах безусловной оптимизации.) Задача.
- •11. Численные методы многомерной безусловной оптимизации. (Направление убывания и общая схема методов спуска. Метод покоординатного спуска и градиентные методы спуска.) Задача.
- •13. Основные свойства задач линейного программирования. (Первая геометрическая интерпретация. Основная теорема линейного программирования.)
- •14. Модели линейного программирования (простейшая задача производственного планирования). Задача.
- •15. Задачи нелинейного программирования. (Постановка задачи математического программирования, классическая задача на условный экстремум.). Задача.
- •16. Задачи принятия решения. (Общая постановка, принцип оптимальности и функция выбора, основные виды задач принятия решений. Функции выбора, порожденные бинарными отношениями.). Задача.
7. Функция распределения и плотность вероятности случайной величины. Задача.
Функция распределения.
Для количественной характеристики этого распределения вероятностей удобно воспользоваться не вероятностью события Х = х, а вероятностью события X < x, где x – некоторая текущая переменная. Вероятность этого события, очевидно, зависит от x, есть некоторая функция от x. Эта функция называется функцией распределения случайной величины Х и обозначается F(X): F(X) = P(X < x).
Основной характеристикой непрерывной СВ является функция распределения/
Функция распределения – это функция F(x) определяющая вероятность того что случайная величина Х в результате испытания примет значения меньше х.
Функцию распределения F(X) иногда называют также интегральной функцией распределения или интегральным законом распределения.
Функция распределения – самая универсальная характеристика случайной величины. Она существует для всех случайных величин: как прерывных, так и непрерывных. Функция распределения полностью характеризует случайную величину с вероятностной точки зрения, т.е. является одной из форм закона распределения.
Сформулируем некоторые общие свойства функции распределения.
1. Функция распределения F(X) есть неубывающая функция своего аргумента, т.е. при x2 > x1 F(x2) ≥ F(x1).
2. На минус бесконечности функция распределения равна нулю: F(-∞) = 0. Следует из определения ФР вероятность того, что СВ в результате испытания примет значение меньше -∞ равна 0 F(-∞) = limx->-∞F(x)
3. На плюс бесконечности функция распределения равна единице: F(+∞) = 1. Следует из определения ФР вероятность того что СВ в результате испытания примет значение больше +∞ F(+∞)=limx->+∞F(x)
Плотность вероятности СВ.
Пусть Х – случайная величина. Тогда F(X) – функция распределения.
P(x ≤ X < x+∆x) = F(x+∆x) – F(x).
.
f(x) = F’(x) – плотность вероятности.
Свойства плотности вероятности:
1. f(x) ≥ 0, x ∈(- ∞, + ∞).
2. .
8. Основные характеристики случайной величины (математическое ожидание, дисперсия, среднее квадратическое отклонение). Задача.
Такие характеристики, назначение которых, выразить в сжатой форме наиболее существенные особенности распределения, называются численными распределениями СВ.
Из характеристик положения в теории вероятности наиболее важную роль играет мат. ожидание.
Математическим ожиданием дискретной СВ называется сумма произведений всех возможных значений СВ на их вероятности М[X]=∑ni=1 xi*pi
Математическим ожиданием непрерывной СВ называется определенный интеграл М[X]=∫ba x*f(x)dx [a,b] – интеграл возможных значений х.
М не является случайной величиной, а всего лишь показывает, какое значение СВ наиболее вероятно.
Не всякий СВ имеет М.
Свойства мат. Ожидания:
если величина Х всегда принимает значение а с вероятностью р=1, то M(x)=а.
мат. ожидание обладает свойством линейности M(aX+b)=a*M(x)+b.
если Х и У СВ, то M(X+Y)=M(X)+M(Y)
Дисперсией сл. Величины называется ее центральный момент второго порядка.
Дисперсия св Х есть мат.ожидание квадрата соответствующей св: Д [x]= M[(Xo)2]= M [(X-mx)2]
Для непрерывной св: Д=∫ba (φ(x)-* mx )2 f(x)dx
свойства дисперсии:
дисперсия const=0, Д(С)=0
Д(СХ)=С2 Д(Х)
Д(Х+У)=Д(Х)+Д(У) Х, У- независимые.
дисперсия разности двух независимых св равна сумме их Д. Д(Х-У)=Д(Х)+Д(У). Для характеристики асимметрии распределения св служит третий центральный момент через коэффициент асимметрии Sk=μ3/σ3x. Для наглядной характеристики рассеивания удобнее пользоваться среднеквадратическим отклонением. σх=σ[X]=√Д(Х). Для характеристики «крутости» (вершинности) распределение служит 4 –й центральный момент через эксцесс Ех= μ4/σ4x –3.
Определение. Средним квадратическим отклонением случайной величины Х называется квадратный корень из дисперсии.
.
Теорема. Среднее квадратичное отклонение суммы конечного числа взаимно независимых случайных величин равно квадратному корню из суммы квадратов средних квадратических отклонений этих величин.