- •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
1 0. Распределение Пуассона. Простейший поток событий. Формула Пуассона для потока событий. Вероятность появления хотя бы одного события.
Закон Пуассона моделирует СВ, представляющую собой число событий, произошедших за фикс. время при условии, что данные события происходят с некоторой фиксированной средней интенсивностью и независимо друг от друга. Данное распр-е играет важную роль в теории масс. обслуж-я.
Рассмотрим дискретную СВ Х, которая может принимать значения 0, 1, 2 и т.д. (целые неотрицательные).
Pm = P(X=m) = 𝜆m/m! * e-𝜆 , где 𝜆 – параметр данного распределения. х~P(𝜆) M(X)=𝜆 D(X)=𝜆
Ассиметрия – Sk=𝜆-1/2 Эксцесс – Еx=𝜆-1
Поток событий – последовательность событий, которые наступают в случайные моменты времени. Простейший – поток событий, обладающий свойствами:
- стационарности: вероятность появления k событий на любом промежутке времени зависит только от числа k и от длительности t промежутка и не зависит от начала его отсчета (вероятность попадения того или иного числа событий на участок времени, зависит только от длины этого участка).
- отсутствия последействия: вероятность появления k на любом промежутке времени не зависит от того, появлялись или не появлялись события в моменты времени, предшествующие началу рассматриваемого промежутка (вероятность не зависит от момента совершения предыдущих событий).
- ординарности: вероятностью наступления за элементарный промежуток времени более одного события можно пренебречь по сравнению с вероятностью наступления за этот промежуток не более одного события (вероятность одновременного появления двух и более событий равна нулю).
Интенсивность потока (λ) – среднее число событий, которые появляются в единицу времени.
Формула Пуассона.
Предположим, что мы хотим вычислить вероятность Pm,n появления события А при большом числе испытаний n, например P300,500. По формуле Бернулли:
С300500p300q200 = 500!/(300!*200!) * p300q200.
В этом случае непосредственное вычисление по формуле Бернулли технически сложно. Поэтому возникает естественное желание иметь более простые приближенные формулы для вычисления Pm,n при больших n. Наиболее простой из них является формула Пуассона.
Теорема. Если вероятность p наступления события А в каждом испытании стремится к нулю (р→0) при неограниченном увеличении числа n испытаний (n→∞), причем произведение np стремится к постоянному числу 𝜆 (np→𝜆), то вероятность Pm,n того, что событие А появится m раз в n независимых испытаниях, удовлетворяет предельному равенству:
Вероятность появления хотя бы одного события:
P(X≥1) = 1 – P(X<1) = 1 – P(X=0) = 1 – |
𝜆0e-𝜆 |
= 1 – e-𝜆 |
0! |
Пример. Найти вероятность того, что за 2 минуты придет хотя бы один вызов.
P(X≥1) = 1-P(X<1) = 1-P(X=0) =
= 1-[(k/30)0/0! * e-k/30] = 1-e-k/30