- •2. Алгебра событий. Основные операции над событиями. Теорема сложения вероятностей. Следствия.
- •3. Условная вероятность. Теорема умножения вероятностей. Следствия. Независимость событий.
- •4. Использование формул комбинаторики при непосредственном вычислении вероятностей событий.
- •5. Формула полной вероятности и Байеса.
- •6. Повторение независимых испытаний. Схема Бернулли. Формула Бернулли.
- •7. Дискретная случайная величина. Ряд распределения. Функция распределения.
- •8. Числовые характеристики дискретной св.
- •3. Среднее квадратическое отклонение
- •9. Биномиальное распределение. Частная теорема о повторении опытов. Примеры.
- •1 0. Распределение Пуассона. Простейший поток событий. Формула Пуассона для потока событий. Вероятность появления хотя бы одного события.
- •11. Непрерывная случайная величина. Функция распределения и плотность вероятности. Их свойства.
- •12. Числовые характеристики непрерывной св. М(х), d(X), σx, их свойства.
- •13. Равномерный закон распределения.
- •15. Показательный закон распределения вероятностей. Определение, графики плотности вероятности и функции распределения. Основные характеристики.
- •17. Числовые характеристики системы двух св. Корреляционный момент. Коэффицент корреляции.
- •18. Теоремы о числовых хар-ках, их применение.
- •19. Предельные теоремы теории вероятностей. Неравенство Чебышева, неравенство Маркова. Закон Больших чисел (теорема Чебышева).
- •21. Центральная предельная теорема и особая роль нормального распределения. Формулы для практического применения теории вероятностей (интегральная теорема Муавра-Лапласа).
- •22. Основные понятия математич. Статистики. Простая статистическая совокупность. Статистическая функция распределения. Статистический ряд. Полигон. Гистограмма.
- •23. Точечные оценки параметров распределения. Требования, предъявляемые к точечным оценкам. Оценки для м(х), d(X) и сдо.
- •24. Метод моментов для получения точечных оценок. Выравнивание статистических рядов.
- •25. Интервальные оценки. Доверительные интервалы.
- •26. Статистические гипотезы. Основные понятия (основная и альтернативная гипотеза, критическая область, доверительная вероятность). Проверка статистических гипотез.
- •27. Проверка статистических гипотез. Гипотеза о неизвестном среднем при известной дисперсии на примере нормального распределения.
- •Проверка статистической гипотезы о матожидании нормального распределения при известной дисперсии
- •28. Важнейшие распределения в математической статистике: распределение хи-квадрат, распределение Стьюдента.
- •29. Критерии согласия. Критерий согласия Пирсона
6. Повторение независимых испытаний. Схема Бернулли. Формула Бернулли.
На практике часто приходится встречаться с задачами, в которых один и тот же опыт или аналогичные опыты повторяются неоднократно. В результате каждого такого опыта может появиться или не появиться событие А. Нас будет интересовать не исход отдельно взятого опыта, а всей серии опытов, а именно сколько раз произошло событий А. Мы должны найти вероятности произвольного числа появлений события А. опыты не зависимы.
Примеры: подбрасывание монеты, стрельба по мишени и т.д.
Опыты могут производиться в одинаковых или различных условиях, в связи с этим существуют 2 теоремы – частная и общая.
Частная теорема о повторении опытов:
Число всех комбинаций равно числу способов выбора из n испытании m, в которых событие A произошло, т.е. числу сочетаний Сnm. Вероятность каждой такой комбинации (каждого варианта появления события Bm) по теореме умножения для независимых событий равна pmqn-m. В связи с тем, что комбинации между собой несовместны, по теореме сложения вероятностей получим: P(B)=Pm,n=Сnmpmqn-m. (формула Бернулли)
Распределение вероятности по такому закону носит название биноминального распределения.
Общая теорема о повторении опытов:
Вероятность того, что событие А в n-независимых опытах появится m раз равна коэффициенту при Zm в выражении:
Под схемой Бернулли понимают конечную серию n повторных независимых испытаний с двумя исходами. Вероятность появления (удачи) одного исхода при одном испытании обозначают p, а непоявления его q=1-p.
Вероятность того, что событие А в этих n-независимых испытаниях появится ровно m раз, выражается формулой Бернулли.
То значение m0, при котором число Pm,n является max из множества {Pm,n}, называется наивероятнейшим, и оно удовлетворяет условию np-q ≤ m0 ≤ np+p
При достаточно большой серии испытаний формула Бернулли становится трудно применимой, и в этих случаях используют приближенные формулы. Одну из них можно получить из предельной теоремы Пуассона:
, где 𝜆=np.
Пример. Вероятность изготовления на станке стандартной детали равна 0,8. Найти вероятности возможного числа появления бракованных деталей среди пяти отобранных.
Р0,5= С500,200,85. Р1,5. Р2,5. Р3,5. Р4,5. Р5,5.
Полученные вероятности изобразим графически точками с координатами (m, Pm,n). Соединяя эти точки, получим многоугольник, или полигон, распределения вероятностей.
7. Дискретная случайная величина. Ряд распределения. Функция распределения.
СВ – величина, которая в результате опыта может принять то или иное значение, неизвестное заранее какое именно. Обозначается X=f(ω), где ω – элементарный исход.
Для дискретной CВ множество возможных значений СВ, т.е. функции f(ω), конечно или счетно. Например, кол-во появлений герба при подбрасывании 3 раз монеты {0,1,2,3}.
СВ обозначаются прописными буквами латинского алфавита X, Y, Z, а их значения – соотв-щим строчным буквам x, y, z.
Ряд распределения СВ – закон распределения дискретной СВ: |
х |
1 |
2 |
… |
n |
р |
p1 |
p2 |
… |
pn |
Законом распределения СВ называется любое соотношение, устанавливающее связь между возможными значениями СВ и соответствующими им вероятностями.
Ряд распределения можно представить графически (соединение полученных точек образует ломаную, называемую многоугольником распределения вероятностей:
С обытия Х=х1, Х=х2, …, Х=хn, состоящие в том, что в результате испытания СВ Х примет соответственно значения х1, х2, …, хn, являются несовместными и единственно возможными (ибо в таблице перечислены все возможные значения СВ), т.е. образуют полную группу. След., сумма их вероятностей равна 1. Для любой дискретной СВ:
Однако закон распределения СВ не является единственным и не универсально. Так, оно не применимо для непрерывной СВ, т.к., в первую очередь, потому что нельзя перечислить все бесконечное несчетное множ-во ее значений.
Для описания закона распределения СВ Х возможен и другой подход: рассматривать не вероятности событий Х=х для разных х (как это имеет место в ряде распределения), а вероятности события Х<х, где х – текущая переменная. Вероятность Р(Х<х), очевидно, зависит от х, т.е. является некоторой функцией от х.
Функцией распределения СВ X называется функция F(x), выражающая для каждого х вероятность того, что СВ X примет значение, меньшее х: F(x)= Р(Х<х).
Пример:
Х: |
xi |
1 |
4 |
5 |
7 |
pi |
0.4 |
0.1 |
0.3 |
0.2 |
F(x)= |
|
0 при х≤1 |
0,4 при 1<x≤4 |
||
0,5 при 4<x≤5 |
||
0,8 при 5<x≤7 |
||
1 при x>7 |
Свойства функции распределения:
F(x) – неубывающая функция своего аргумента: х1<х2, P(х1)<P(х2)
F(-∞)=1, F(+∞)=1
Ф ункция распределения любой дискретной СВ – кусочно-непрерывная ф-я. Скачки происходят в точках, соответствующих возможным значениям СВ, и равны вероятностям этих значений. По мере сокращения интервала изменяющейся СВ скачки становятся меньше и в итоге ф-я стремится к непр. функции, а сами величины становятся непр.