- •Случайные события: испытания, вероятность, частота. Свойства частоты.
- •События, алгебра событий
- •Аксиоматическое определение вероятности.
- •Классическая вероятность.
- •5. Язык теории вероятности и теории множеств.
- •9. Задача Бюффона
- •10. Задача о делении приза
- •11. Теорема умножения. Независимость. Теорема сложения.
- •14. Схема и формула Бернулли, частные случаи. Ф-ла Пуассона
- •15. Локальная и интегральная теоремы Муавра-Лапласа
- •16. Дискретная случайная величина, ряд распределения, многоугольник и функция распределения
- •17. Мат. Ожидание дсв, его интерпретация и свойства
- •18.Дисперсия и ее свойства. Среднее квадратическое отклонение.
- •19. Мода, медиана, начальный и центральный момент
- •20. Функцией распределения непрерывной случайной величины, ее свойства
- •21. Плотность вероятности непрерывной св. Ее свойства, мат. Ожидание, десперсия
- •22) Биноминальное распределение
- •23. Распределение Пауссона
- •24. Равномерное и показательное распределение.
- •25. Норм распределение. Функция Лапласса и его свойства
- •26. Система двух случайных величин, функция распределения и плотность.
- •27. Дисперсия
- •28. Независимость и некоррелированность
- •29. Числовые характеристики системы случайных велечин
- •31. Числовые хар-ки ф-ций случайной величины
- •32. Неравенство Маркова и Чебышева. Правило 3-х сигм
- •33. Теорема Бернулли. Теорема Пуассона. Теорема Колмогорова.
- •34. Закон больших чисел. Теорема Муавра-Лапласа
- •35. Закон больших чисел. Теорема Ляпунова.
- •36. Основные понятия статистики: генеральная совокупность, выборка, вариационный ряд, статистический ряд, эмпирическая функция распределения.
- •38. Статистическая проверка гипотез. Критерий Пирсона
19. Мода, медиана, начальный и центральный момент
Начальным моментом порядка k случайной величины Х называется матема-тическое ожидание величины Xk: νk = M (Xk). Центральным моментом порядка k случайной величины Х называется мате-матическое ожидание величины (Х – М(Х))k: μk = M((Х – М(Х))k).Модой М дискретной случайной величины называется ее наиболее вероятное значение, модой М непрерывной случайной величины – значение, в котором плотность вероятности максимальна Медианой Ме непрерывной случайной величины называют такое ее значение, для которогоp ( X < Me ) = p( X > Me ). Графически прямая х = Ме делит площадь фигуры, ограниченной кривой распределения, на две равные части.
20. Функцией распределения непрерывной случайной величины, ее свойства
Функцией распределения F(x) случайной величины Х называется вероятность того, что случайная величина примет значение, меньшее х: F (x) = p (X < x).
Свойства функции распределения.
1) 0 ≤ F(x) ≤ 1. Действительно, так как функция распределения представляет собой вероятность, она может принимать только те значения, которые принимает вероятность.
2) Функция распределения является неубывающей функцией, то есть F(x2) ≥ F(x1) при х2 > x1. Это следует из того, что F(x2) = p(X < x2) = p(X < x1) + p(x1 ≤ X < x2) ≥ F(x1).
3) В частности, если все возможные значения Х лежат на интервале [a, b], то F(x) = 0 при х ≤ а и F(x) = 1 при х ≥ b. Действительно, X < a – событие невозможное, а X < b – достоверное.
4)Вероятность того, что случайная величина примет значение из интервала [a, b], равна разности значений функции распределения на концах интервала:
p ( a < X < b ) = F(b) – F(a).
Для дискретной случайной величины значение F(x) в каждой точке представляет собой сумму вероятностей тех ее возможных значений, которые < аргумента ф-ции.
21. Плотность вероятности непрерывной св. Ее свойства, мат. Ожидание, десперсия
Функция f(x), называемая плотностью распределения непрерывной случайной величины, определяется по формуле: f (x) = F′(x), (5.1) то есть является производной функции распределения. Свойства плотности распределения. 1) f(x) ≥ 0, так как функция распределения является неубывающей. 2) , что следует из определения плотности распределения. 3) Вероятность попадания случайной величины в интервал (а, b) определяется формулой(интеграл от плотности с пределами a и b) 4)интегр от плотн с пределами от +оо до –оо =1(усл нормировки).
22) Биноминальное распределение
Для дискретной случайной величины Х, представляющей собой число появлений события А в серии из п независимых испытаний, М(Х)=M1+M2+….. Пусть Х1 – число появлений А в первом испытании, Х2 – во втором и т.д. При этом каждая из случайных величин Хi задается рядом распределения вида
Xi 0 1
Pi q p
Следовательно, М(Хi) = p. Тогда M(X)=∑M(Xi)=∑p=n*p
Аналогичным образом вычислим дисперсию:
D(Xi) = 0²·q+1²·p–p²= p–p²= p(1–p), откуда по свойству дисперсии
D(X-Y)=D(X)+D(Y) следует D(X)=∑D(Xi)=np(1-p)=npq
23. Распределение Пауссона
Рассмотрим дискретную случайную величину Х, принимающую только целые неотрицательные значения (0, 1, 2,…, т,…), последовательность которых не ограничена. Такая случайная величина называется распределенной по закону Пуассона, если вероятность того, что она примет значение т, выражается формулой: , где а – некоторая положительная величина, называемая параметром закона Пуассона. Покажем, что сумма всех вероятностей равна 1: (использовано разложение в ряд Тейлора функции ех). Рассмотрим типичную задачу, приводящую к распределению Пуассона. Пусть на оси абсцисс случайным образом распределяются точки, причем их распределение удовлет-воряет следующим условиям:
1) вероятность попадания некоторого количества точек на отрезок длины l зависит только от длины отрезка и не зависит от его расположения на оси ( то есть точки распределены с одинаковой средней плотностью);
2) точки распределяются независимо друг от друга ( вероятность попадания какого-либо числа точек на данный отрезок не зависит от количества точек, попавший на любой другой отрезок);
3) практическая невозможность совпадения двух или более точек.
Тогда случайная величина Х – число точек, попадающих на отрезок длины l – распре-делена по закону Пуассона, где а – среднее число точек, приходящееся на отрезок длины l.