- •Основные понятия теории вероятностей: испытание, событие. Классификация событий. Полная группа событий. Примеры.
- •Вероятность. Классическое определение вероятности. Использование формул комбинаторики. Примеры.
- •Статическое определение вероятности.
- •Формула полной вероятности. Формула Байеса. Примеры.
- •Повторение независимых испытаний. Формула Бернулли. Примеры.
- •Повторение независимых испытаний. Асимптотические формулы. Локальная и интегральная теоремы Лапласа. Примеры.
- •Дискретные случайные величины. Закон распределения. Полигон распределения. Примеры построения дискретной случайной величины.
- •Числовые хар-ки дискретной случайной величины: математическое ожидание, дисперсия, среднее квадратическое отклонение. Примеры.
- •Свойства математического ожидания и дисперсии. Математическое ожидание и дисперсия среднего значения. Примеры.
- •Биномиальное распределение. Распределение Пуассона. Геометрическое распределение. Их числовые хар-ки. Примеры.
- •Непрерывная случайная величина. Функции распределения. Плотность вероятностей. Их свойства. Вероятность попадания в заданный интервал. Примеры.
- •Числовые хар-ки непрерывной случайной величины: математическое ожидание, дисперсия, среднее квадратическое отклонение, мода, медиана. Примеры.
- •Равномерное распределение. Нормальное распределение. Функции Гаусса и Лапласа. Их числовые хар-ки. Примеры.
- •Вероятность попадания в заданный интервал нормально распределенной случайной величины. Отыскание интервала по заданной вероятности. Примеры.
- •Понятие о центральной предельной теореме Ляпунова.
- •Понятие о случайном процессе. Система массового обслуживания как случайный процесс.
- •Случайный процесс со счетным множеством состояний. Виды. Система массового обслуживания с необратимыми и обратимыми переходами состояний.
- •Поток событий. Простейший поток и его свойства. Виды потоков событий.
- •Марковский случайный процесс.
- •Понятие о методе Монте-Карло.
- •Математическая статистика. Генеральная и выборочная совокупности. Репрезентативность выборки. Вариационные ряды. Полигон и гистограмма. Примеры.
- •Оценка числовых хар-к. Состоятельность, несмещенность и эффективность оценок. Оценка математического ожидания. Примеры.
- •Выборочная и исправленная дисперсии. Другие хар-ки вариации данных. Исправленная дисперсия среднего значения. Примеры.
- •Интервальные оценки. Доверительный интервал для оценки математического ожидания. Распределение Стьюдента.
- •Статистическая, корреляционная и функциональная зависимости. Уравнения регрессии. Примеры.
- •Коэффициент корреляции и его свойства. Нахождение уравнений регрессии по корреляционной таблице. Примеры.
Числовые хар-ки непрерывной случайной величины: математическое ожидание, дисперсия, среднее квадратическое отклонение, мода, медиана. Примеры.
Х – нсв, f(x) – плотность распределения. Математическим ожиданием нсв Х, возможные значения кот принадлежат отрезку , назыв определенный интеграл. . Если возможные значения случайной величины рассматриваются на всей числовой оси, то мат-ое ожидание находится по формуле: . Дисперсией нсв назыв мат-ое ожидание квадрата ее отклонения. , или . Если х принадлежат отрезку , то . Средним квадратичным отклонением назыв квадратный корень из дисперсии: . Пр:
. .
Модой дискретной случайной величины назыв ее наиболее вероятное значение. Для нсв мода – такое значение случайной величины, при кот плотность распределения имеет максимум. . Медианой случайной величины Х назыв такое ее значение, относительно кот равновероятно получение большего или меньшего значения случайной величины. .
Равномерное распределение. Нормальное распределение. Функции Гаусса и Лапласа. Их числовые хар-ки. Примеры.
Распред. вер-тей назыв. Равномерным, если на интервале, кот принадлежат все возможные значения СВ, плотность распред. сохраняет постоянное знач. Пр: шкала измерительного прибора проградуирована некот.ед. Ошибку при округлении отсчета до ближ.целого деления м рассматривать как СВ Х, кот м принимать с постоянной плотностью вер-ти любое знач. м/у 2 соседними целыми делениями. Т.о., Х имеет равномерное распред. Найдем плотность равномерного распред f(x), считая, что все возможные знач.СВ заключ.в интервале(а,b), на кот функция f(x) сохраняет постоянные знач. По условию Х не принимает знач.вне интервала (а,b), поэтому f(x)=0 при x<a и x>b найдем постоянную С, т.к. все возможные знач.СВ принадлежат (а,b) то д выполниться соотношение или отсюда С=1/ /(b-a). Итак, f(x)=
Н ормальным назыв. распред.вер-тей нсв, кот описывается плотностью f(x)= где а - мат.ожидание, а σ-ср.квадратич.отклонение норм.распред. а)D(f(x))=(-∞;∞). б)Е(f(x))>0-график выше оси Ох. в)f’(x)= *1*2/2 (a-x)=-(x-а)/ * ,f’(x)=0 при х=а f(a)= . г)f”(x)= (1* +(x-a) *2(x-a))= *(x-(a+σ)) *(x-(a-σ)); f”(x)=0,при x=a+σ и x=a-σ - это точки перегиба
f(a-σ)=f(a+σ)= * = ;
Кривая Гаусса: очевидно, что изменения величины параметра а не влияет на форму кривой и приводит лишь к сдвигу ее вдоль оси Ох (вправо, если а больше и наоборот), с увеличением σ максимум ордиат норм.кривой убыв. И кривая становится более пологой, если σ уменьшается то происходит растяжение графика. Функция Гаусса:φ(х)= *
Вероятность попадания в заданный интервал нормально распределенной случайной величины. Отыскание интервала по заданной вероятности. Примеры.
Известно, что если СВ Х задана плотностью распределения F(x), то вер-ть того, что Х примет знач., принадлежащее интервалу (a,b) равна Р(α<X<β)= ,если СВ Х распределена по норм.закону, тогда вер-ть того, что Х примет знач., принадлежащее интервалу (α,β) равна , пользуясь функцией Лапласа Ф(х)= dz и окончательно получим Ф( )-Ф( ). Пр: СВ Х распределена по норм закону. Мат.ожидание и ср.квадратич.отклонение этой величины соответственно равны 30 и 60,найти вер-ть того, что Х примет знач., принадлежащее интервалу (10,50): α=10, β=50, а=30, σ=10 поэтому Ф( )-Ф( )=2Ф и по табл. Ф(2)=0,4772 отсюда = 2*0,4772=0,9544