- •№1. Случайные события. Классификация. Действия над событиями.
- •№2. Аксиоматическое определение вероятности. Аксиомы Колмогорова. Следствия.
- •№3. Классическое, геометрическое и статистическое определения вероятности как частный случай аксиоматического.
- •№4. Теорема сложения. Следствия.
- •Теорема доказана.
- •№7. Формула полной вероятности и формула Байеса. Примеры.
- •№8. Схема независимых испытаний Бернулли. Теорема Пуассона. Предельная теорема Муавра-Лапласа.
- •№9. Случайная величина. Функция распределения случайной величины и её свойства.
- •№12. Математическое ожидание случайной величины и функции случайной величины. Свойства.
- •№14. Основные законы распределения: нормальный, равномерный, биномиальный, показательный, Пуассона.
- •№15. Векторный случайные величины, совместная плотность, многомерная вероятность, многомерный ряд распределения.
- •№16. Нормальный случайный вектор.
- •№17. Условные вероятности и плотности вероятностей. Независимость случайных величин.
- •№20. Ряд распределения функции дискретной случайной величины.
- •№21. Плотность вероятности функции случайной величины при заданной плотности вероятности аргумента. Закон распределения суммы случайных величин. Пример.
- •24. Распределения , Стьюдента (Госсета), Фишера. Их характеристики и свойства.
- •№27. Случайная выборка и генеральная совокупность. Закон распределения выборки.
- •№28. Оценка вероятности события. Оценка функции распределения. Оценка плотности вероятностей.
- •№29. Выборочные моменты. Несмещённость выборочного среднего как оценки математического ожидания. Смещённость выборочной дисперсии как оценки теоретической дисперсии.
- •№30. Точечные оценки и их свойства.
- •№31. Функция правдоподобия. Неравенство Рао-Крамера. Критерий эффективности Рао-Крамера.
- •№37. Критерий согласия . Пример.
№17. Условные вероятности и плотности вероятностей. Независимость случайных величин.
Условным законом распределения случайной величины, входящей в систему, называется её закон распределения, вычисленный при условии, что другая случайная величина приняла определённое значение.
Условные функции распределения случайных величин и , входящих в систему, обозначаются и , а условные плотности распределения – и .
Теорема умножения плотностей распределения: или .
Для независимых случайных величин или .
– условная вероятность.
Случайные величины и называют независимыми, если совместная функция распределения является произведением одномерных функций распределения и : . В противном случае случайные величины называют зависимыми.
Для независимых случайных величин и события и являются независимыми. Покажем, что независимыми являются и все события и . Действительно, в силу независимости и , свойства 5 двумерной функции распределения ( ) и свойства 3 одномерной функции распределения ( ) имеем , что и означает независимость событий и .
Теорема: Для того, чтобы непрерывные случайные величины и были независимыми, необходимо и достаточно, чтобы для всех и .
Доказательство: I. Необходимость. Пусть случайные величины и независимы. Тогда, согласно определению . Имеем: .
II. Достаточность. . Теорема доказана.
Теорема: Дискретные случайные величины и являются независимыми тогда и только тогда, когда для всех возможных значений и .
Случайные величины , заданные на одном и том же вероятностном пространстве, называют независимыми в совокупности, если .
№18. Числовые характеристики случайного вектора.
Пусть – случайный вектор, тогда – математическое ожидание случайного вектора , – его дисперсия.
– ковариация (корреляционный момент)
Свойства ковариации:
;
;
Доказательство: , ч.т.д
Если и независимы, то .
№19. Коэффициент корреляции и его свойства. Корреляционная матрица.
Коэффициентом корреляции двух случайных величин называется безразмерная величина , где . Коэффициент корреляции характеризует степень тесноты линейной зависимости между случайными величинами. Независимые случайные величины являются некоррелированными (для них ).
Свойства:
;
Если и независимы, то ;
, при этом знак «плюс» нужно брать в том случае, когда и имеют одинаковые знаки, и минус – в противном случае;
;
тогда и только тогда, когда случайные величины и связаны линейной зависимостью (т.е. ).
Корреляционной матрицей системы случайных величин называется таблица, составленная из корреляционных моментов всех этих величин, взятых попарно , где – корреляционный момент случайных величин и .
Корреляционная матрица симметрична, поэтому обычно заполняется лишь половина таблицы, .
По главной диагонали корреляционной матрицы стоят дисперсии случайных величин .
Нормированной корреляционной матрицей системы случайных величин называется таблица, составленная из коэффициентов корреляции всех этих величин, взятых попарно, , где – коэффициент корреляции величин и . По главной диагонали нормированной корреляционной матрицы стоят единицы.