- •Вопрос 1 Опыт, множество элементарных исходов опыта событие.
- •Вопрос 2 Классическое, статистическое(частное), геометрическое определение вероятности.
- •Вопрос 3 Субъективная вероятность.
- •Вопрос 4 Использование методов комбинаторики для вычисления вероятностей.
- •Вопрос 5 Вероятность сложных событий.
- •Вопрос 6 Совместные и несовместные события.
- •Вопрос 7 Правило исчисления теоретико-множественной суммы событий.
- •Вопрос8 Теорема сложения вероятностей.
- •Вопрос 15 Случайная величина как функция от элементарных исходов опыта.
- •Вопрос 16 Функция распределения случайной величины.
- •Вопрос 19 Функция плотностей распределения вероятностей.
- •Вопрос 20 - Последовательности испытаний.
- •Вопрос 21 Случайная величина Бернули.
- •Вопрос 22 Схема независимых испытаний Бернули.
- •Вопрос 23 Биноминальная случайная вероятность.
- •Вопрос 24 Локальная предельная и интегральная теорема Муавра-Лапласа.
- •Вопрос 25 Предельная теорема Пуассона и случайная величина Пуассона.
- •Вопрос 26 Предельные теоремы Муавра-Лапласа и случайная величина Гаусса.
- •Вопрос 27 Равномерное и нормальное распределения.
- •Вопрос 29 Правило «три сигма» для нормальной случайной величины.
- •Вопрос 30 таблица стандартного нормального распределения.
- •Вопрос 31 Табулирование распределений.
- •Вопрос 32 Зависимые и независимые случайные величины.
- •Вопрос 33 Математическое ожидание случайной величины. Свойства математического ожидания.
- •Вопрос 34 Дисперсия случайной величины. Свойства дисперсии.
- •Вопрос 35 Моменты случайной величины, ассиметрия, эксцесс.
Вопрос 21 Случайная величина Бернули.
Случайная величина Х имеет распределение Бернули, если она принимает всего 2 значения 1 и 0 с вероятностями p и q=1-р соответственно. Таким образом: P(x=1)=p ; P(x=0)=q. Принято говорить, что событие {x=1} соответствует успеху, а {x=0} – неудаче. (Pn(m)=Cnm pm qn-m), где n – число испытаний в серии; m - случайная величина(число появления числа А); Pn(m) – вероятность того, что А произойдёт именно m раз ; q=1-p (вероятность того, что m не появится в испытании).
Вопрос 22 Схема независимых испытаний Бернули.
n – количество испытаний ; p – успех ; q=1-p – неудача ; k – количество успехов. (Pn(k)=Cnk *pk *qn-k ).
Вопрос 23 Биноминальная случайная вероятность.
Биноминальное распределение. Дискретная случайная величина Х имеет биноминальное распределение, если её закон распределения описывается формулой Бернулли: P(X=K)=P(n,k)=Cnk pk qn-k. На практике биноминальное распределение возникает при следующих условиях; Пусть проводится серия из n-испытаний, в каждом из которых некоторое событие появляется с вероятностью p. Случайная величина Х, равная числу наступлений события в n-опытах, имеет биноминальное распределение MX=n ; DX=npq. Название объясняется тем, что правую часть равенства можно рассматривать как общий член разложения Бинома Ньютона: (p+q)n=Cnkp0qn+Cn1pqn-1+..+Cnkpkqn-k+Cnmpnq0=1 ; p+q=1 т.е. Σnk=0 Pn(k)= Σnk=0 Cnkpkqn-k=1.
Дискретная случайная величина, принимающие любые целые неотрицательные значения от 0 до n с вероятностями Cnkpkqn-k называется биноминальной случайной величиной.
Вопрос 24 Локальная предельная и интегральная теорема Муавра-Лапласа.
Применяются в случае, когда p и q не малы, а npq>9. Локальная. Если вероятность появляния события А в каждом из n (n→∞) независимых испытаний равна одной и той же постоянной p=const (0<p<1) то вероятность p(n,k) того, что во всех этих испытаниях событие А появится ровно k-раз, приближен, но вычисляется формулой: P(n,k)=1\√npq * φ(x), где х=k-np\√npq ; φ(x)= 1\√2п е-х2\2 – кривая Гаусса.
Интегральная. Пусть вероятность появления события А в каждом из n(n→∞) независимых испытаний равна одной и той же постоянной p(0<p<1), то вероятность Р(n,k) того, что во всех этих испытаниях событие А появится не менее k1 раз и не более k2 раз, приближённо вычисляется формулой: P(n, k1≤k≤ k2) (Ф(х2) - Ф(х1)), где Ф(х) = 2\√2п ∫0х ехр(- х2\2)dx.- формула Лапласа. Х1=k1-np\√npq ; x2=k2-np\√npq. ( p(k1≤x≤k2)=∫u1u2 f(u)du ).
Вопрос 25 Предельная теорема Пуассона и случайная величина Пуассона.
Распределение Пуассона. Соотношениями, описывающими биноминальное распределение, удобно пользоваться в тех случаях, если величина и достаточно мала, а р велико.
Теорема: Если, n→∞, а p→0 так, что np=a(0<a<∞), то P{X=k}=Cnkpkqn-k =ak\k! * e-a при любом k=0,1,…. Числовые характеристики: М[Х] = α, D[X] = α. Закон Пуассона зависит от одного параметра α, смысл которого заключается в следующем: он является одновременно и математическим ожиданием и дисперсией случайной величины Х.
Вопрос 26 Предельные теоремы Муавра-Лапласа и случайная величина Гаусса.
Пусть событие может произойти в любом из n независимых испытаний с одной и той же вероятностью P и пусть Vn(А)- число осуществлений события А в n испытаниях. Тогда Vn(А)-np\√np(1-p)=> N0,1 при n→∞, т.е. для любых вещественных x<y имеет место сходимость P(x≤ Vn(А)-np\√np(1-p)≤y)→Ф0,1(y)- Ф0,1(x)=∫xy 1\√2п *e-t2/2dt.
Доказательство. Величина Vn(A) есть сумма независимых, одинаково распределённых случайных величин, имеющих распределение Бернули с параметром, равным вероятности успеха р: Vn(A)=ξ1+…+ ξn , где ξi=Ii(A)={1, если А произошло в i-м испытании; 0, если А не произошло в i-м испытании. Еξ1=р, Dξ1=p(1-p). Нормальный закон распределения (закон Гаусса). Плотность вероятности нормально распределённой случайной величины X выражается формулой φ(х)=1\√2п * е– х2\2. Нормальный закон распределения широко применяется в задачах практики. Объяснить причины этого впервые удалось Ляпунову. Он показал, что если случайная величина может рассматриваться как сумма большого числа малых слагаемых, то при достаточно общих условиях закон распределения этой случайной величины близок к нормальному независимо от того, каковы законы распределения отдельных слагаемых. А так как практически случайные величины в большинстве случаев бывают результатом действия множества причин, то нормальный закон оказывается наиболее распространённым законом распределения. Укажем числовые характеристики нормально распределённой случайной величины (математическое ожидание и дисперсия): M(X)=a; D[X]= σ2. Характеристическая функция нормального распределения случайной величины задаётся формулой g(s)=exp(ias-1\σ2s2).