- •1. Определение вероятности. 1
- •2. Условная вероятность. Независимое событие. Формула умножения вероятности.
- •4.Последовательность независимых испытаний. Схема Бернулли. Формула Пуассона.
- •Формула Пуассона
- •5.Наивероятнейшее число наступления события.
- •6. Локальн теорема и интегральная теорема Муавр- 3
- •7. Св. Функции распределения и их свойства.
- •8.Числовые хар-ки случайной величины. 4
- •9.Биномиальный закон распределения.
- •10.Распределение Пуассона. Равномерное распределение.
- •11. Показательное или экспоненциальное распределение.
- •12. Нормальный закон распределения. Числовые 6 характеристики.
- •14.Многомерные случайные величины(св)
- •15.Неравенство Маркова. Неравенство Чебышева.
- •16. Т.Чебышева. Т.Бернули. 8
- •17. Теорема Ляпунова:
- •Элементы математической статистики Генеральная выборочная совокупность
- •Повторная и бесповторная выборка
- •Репрезентативная выборка
- •Статистическое распределение выборки
- •Методы построения точечных оценок
- •Билет №1 10
- •Билет №2
- •Билет №3
- •Билет №4
- •Билет № 5
- •Билет 6.
- •Билет 7
- •Билет 8
- •Билет 9.
- •Билет 10.
- •Билет 11.
- •Билет 12.
- •Билет № 13
- •Билет 14.
- •Билет 15. 16
- •Билет 16.
- •Билет 17.
- •Билет 18.
- •Билет 19.
- •Билет 20. 18
- •Билет 27.
- •Билет 28.
- •1.Теория вероятности
- •3 Т. «Сложения вероятности несовместных событий 20
- •5Формула полной вероятности
- •6.Вероятность наступления хотя бы 1-го события
- •10Вероятность отклонения относительной частоты от постоянной вероятности
- •11Случайная величина
- •12Интегральная ф-ия распределения
- •13Дифференциальная ф-ия распределения вероятностей св (её плотность)
- •14Числовые хар-ки св
- •15Дисперсия св (дискретной)
- •16Среднеквадратическое отклонение св х –
- •17Моменты св х:
- •18Важнейшие з-ны распределения вероятностей cв:
- •21Т.Чебышева
- •22Т. Ляпунова
- •26Вероятность попадания случайной точки в полосу
- •29Числовые хар-ки 2-мерной св (с-мы св):
- •31Нормальное распределение с-мы 2-х св
15Дисперсия св (дискретной)
Чтобы оценить, как рассеяны возможные зн-ия СВ Х вокруг её М(х), пользуются числовой хар-кой – дисперсией(рассеиванием) – мат. отклонение квадрата отклонения СВ от её М(х)
D(х)=М[x-M(x)]2
M(x-M(x))=M(x)-M(M(x)){=M(x)}=
M(x)-M(x)=0
D(x)=M[x2-2x∙M(x)+M2(x)]=
M(x2)-2M2(x)+M2(x)=M(x2)-M2(x)
D(x)= M(x2)-M2(x)
D(x)=-∞∫∞(x-mx)2∙f(x)dx – для непрерывных
Св-ва дисперсии:
1) D(c)=0 (по определению) 23
2)D(cx)=c2D(x)
Док-во:
D(cx)=M[cx-M(cx)]2=
c2M[x-M(x)]2=c2D(x), ч.т.д.
3)D(x+y)=D(x)+D(y), где x и y –независимые СВ
док-во:
D(x+y)=
M[(x+y)2]-M2(x+y)=
M(x2)+M(y)2+2M(xy)-(M(x)+M(y))2=
D(x)+D(y)
аналогично для 3-х и т.д. величин
Следствия:
1)D(c+x)=D(x)
док-во: D(c+x)=D(c)+D(x)=0+D(x)=D(x)
2)D(x-y)=D(x)+D(-y)=
D(x)+(-1)2D(y)=D(x)+D(y)
Механическая интерпретация D(x):
Момент инерции заданного распределения масс относительно центра тяжести (М(х)); размерность = размерности СВ Х
Дисперсия в n независимых испытаниях
D(x)=npq
p – вероятность появления
q –вероятность непоявления
Док-во:
X=X1+X2+…+Xn p1=p2=…=pn=p
D(x)=D(x1)+D(x2)+…+D(xn)
D(x1)=M(x12)-M2(x1)
M(x1)=1∙p
M(x12)=12∙p+0∙q=p
D(x1)=p-p2=p(1-p)=pq
Для n независимых СВ D(x)=npq, ч.т.д.
16Среднеквадратическое отклонение св х –
σ(x)=√D(x)
Cв-во:
1) σ(x1+x2+…+xn)= √(σ2(x1)+σ2(x2)+…+σ2(xn))
Т. ср.кв. отклонение от суммы случайных величин равно кв. корню из суммы квадратов ср. кв. отклонений этих величин
Док-во:
по определению
σ(x)=√D(x)
σ(x1+x2+…+xn)= √D(x1+x2+…+xn)= √(D(x1)+D(x2)+…+D(xn))= √(σ2(x1)+σ2(x2)+…+σ2(xn))
17Моменты св х:
1) начальный момент k-го порядка СВ Х – мат. ожидание от xk
Mk=M(xk)
а)M1=M(X)=mx
б)M2=M(x2), D(x)=M2-M12
в)M3=M(x3)
2)центральный момент k-го СВ Х – мат. ожидание от отклонения СВ от мат. ожидания в степени k.
M(x-M(x))k=μk
a)для дискр. μk={ i=1∑n(xi-mx)kpi
b)для непрер. {-∞∫∞(x-mx)k∙f(x)dx, где f(x) – плотность вероятности
Н-р, μ1=M(x-mx)=0
μ2=M(x-mx)2=M(x2-2xmx+mx2)=
M(x2)-2mx2+mx2=D(x)
μ3=M(x-mx)3=M(x3-3x2mx+3xmx2-mx3)=
M3-3M2M1+3M13-M13
18Важнейшие з-ны распределения вероятностей cв:
з-н равномерного распределения СВ:
распределение вероятностей СВ на нек. отрезке [a,b] – такое распределение, у которого плотность имеет вид:
f(x)={c a≤x≤b
{0 x¢(a,b)
a∫bcdx=1 => c(b-a)=1 => c=1/(b-a) =>
f(x)={1/(b-a) a≤x≤b
{0 x¢(a,b)
F(x)={(x-a)/(b-a) x≥a
{1 x≥b, т.к.
F(x)= a∫xdx/(b-a)
Показательный з-н распределения
f(x)={0 x<0
{αe-αx x≥0
F(x)=0∫x αe-αxdx=e-αx 0|x=1-e-αx
M(x)=1/α
Нормальный з-н(з-н распределения Гауса):
Распределение наз. норм., если
f(x)=1/(√(2π)σ)∙e-(x-a)(x-a)/2/σ/σ
M(x)=1/(√(2π)σ)∙-∞∫∞x∙e-(x-a)(x-a)/2/σ/σdx=
|(x-a)/σ=t dx=σdt x=a+σt|=1/(√(2π)σ)∙-∞∫∞(a+σt)∙e-t∙t/2σdt=a/√(2π)∙
-∞∫∞e-t∙t/2dt{интеграл Пуассона}+
σ/√(2π)∙-∞∫∞te-t∙t/2dt{0}= a/√(2π)∙√(2π)=a
a=M(x)=mx
D(x) =1/(√(2π)σ)∙
-∞∫∞(x-a)∙e-(x-a)(x-a)/2/σ/σdx=|(x-a)/σ=t dx=σdt x-a=σt|=1/(√(2π)σ)∙-∞∫∞ σ3t2∙e-t∙t/2dt= σ2/√(2π)∙-∞∫∞t∙t∙e-t∙t/2dt=|U=t dU=dt
t∙e-t∙t/2dt=dV V=-e-t∙t/2|=
σ2/√(2π)∙(-t∙e-t∙t/2-∞|∞{0}+
-∞∫∞e-t∙t/2dt{инт. Пуассона})= σ2/√(2π)∙√(2π)=σ2 => σ – ср. кв. отклонение
Интегральная ф-ия нормального распределения СВ Х€N(а,σ)
По опр-нию F(x)=P(X<x)=1/√(2π)∙0∫xe-t∙t/2dt
Вероятность P(X<x) вычисля по интегралу вероятности 24 (ф-ия Лапласа) Ф(х)= 1/√(2π)∙0∫xe-t∙t/2dt;
Осн. св-ва:
1) Ф(-х)=-Ф(х) св-ва нечет.
2) x2>x1 => Ф(х2)>Ф(х1) –cd-во монотонности
Использую нормированную ф-ию Л.(а=0, σ(х)=1) м. записать
F(x)=1/2+1/2∙Ф((х-а)/σ) – гипотетическая ф-ия
Вероятность попадания СВ Х€N(а,σ) в заданный интервал
Известно P(α<x<β)= α∫βf(x)dx
при нормальном распределении P(α<x<β)= 1/(√(2π)σ) α∫β e-(x-a)(x-a)/2/σ/σdx=
|(x-a)/σ=z dx=σdz x=σz-a|=
1/(√(2π)σ) (α-a)/σ∫(β-a)/σ e-z∙z/2 σdz=
1/√(2π) [0∫(β-a)/σ e-z∙z/2 dz-0∫(α-a)/σ e-z∙z/2dz]=
Ф((β-а)/σ)- Ф((α-а)/σ)= P(α<x<β)
19
Правило 3-х сигм
Рассм. P(|x-a|<δ), где δ=σt
используем P(|x-a|<δ)=2Ф(δ/σ)
P(|x-a|<σt)=2Ф(t) => при t=3 P(|x-a|<3σ)=2Ф(3)=2∙0,498≈1
Если X распределена нормально, то абсолют. величина отклонения от М(х) не превосходит утроенного произведения ср. кв. величины σ(х)
Вычисление вероятности заданного отклонения
P(|x-a|<δ)= P(a-δ <x<δ+a)=Ф(((а+δ)-а)/σ)-Ф(((а-δ)-а)/σ)=2Ф(δ/σ)
20З-н больших чисел
Св-во устойчивости массовых случайных явлений известно. Оно почти не сказывается на ср. р-те; это св-во представляет собой физическое содержание «з-на больших чисел». Однако, р-т практически перестаёт быть случайным и м. б. предсказан с большой степенью определённости, т. е. это означает приближение ср. хар-к большого числа опытов к нек. опр. постоянности. Обусловлено рядом предельных теорем, под названием центральных предельных теорем.
Нер-во Чебышева
Рассмотрим дискр. СВ Х
X |
X1 |
X2 |
… |
Xn |
P |
p1 |
p2 |
… |
pp |
Нер-во Чебышева: вероятность того, что отклонение СВ Х от её М(х) по абс. величине меньше нек. ε, не меньше 1-D(x)/ε2, т.е.
P(|x-a|<ε)≥1-D(x)/ε2, где a=M(x)
Док-во:
т.к. |x-a|<ε и |x-a|≥ε противоположны, то сумма их вероятностей
P(|x-a|<ε)+P(|x-a|≥ε)=1
P(|x-a|<ε)=1-P(|x-a|≥ε)
по опр. D(x)=[|x1-M(x)|]2p1+
[|x2-M(x)|]2p2+…+[|xn-M(x)|]2pn
Отбросим слагаемое |xi-M(x)|<ε, (k слагаемых)
D(x)≥[|xk+1-M(x)|]2pk+1+
[|xk+2-M(x)|]2pk+2+…+[|xn-M(x)|]2pn
т.к. |xi-M(x)|≥ε [|xi-M(x)|]2≥ε2 =>
D(x)≥ε2∙(pk+1+pk+2+…+pn)
(pk+1+pk+2+…+pn)=P(|x-a|≥ε)
D(x)≥ε2∙P(|x-a|≥ε)
P(|x-a|≥ε)≤D(x)/ε2 =>
P(|x-a|<ε)≥1-D(x)/ε2, ч.т.д.