Автор работы: Пользователь скрыл имя, 11 Декабря 2013 в 16:54, шпаргалка
1. Понятие случайности, изучаемое теорией вероятностей. Частотное определение вероятности.
2. Основные понятия теории вероятностей на основе аксиоматического подхода: пространство элементарных исходов, алгебра случайных событий, вероятность и аксиомы, которым она подчиняется.
3. Простейшие свойства вероятности: монотонность, формула сложения, вероятность разности событий.
4. Классическая схема. Вычисление вероятностей исходов в трех комбинаторных моделях.
32. Некоррелированность и линейная зависимость двух случайных величин и их связь со свойствами ковариации и коэффициента корреляции.
М[X] = (a+b)/2; D[X] = (b-a)2/12; M[X2] = (b2+ba+a2)/3.
Игла Бюффона. Плоскость разграфлена параллельными прямыми, отстоящими друг от друга на расстоянии h. На плоскость наудачу бросается игла длиной l (l < h). Найти вероятность того, что игла пересечет какую-либо прямую. Решение: Рассмотрим середину иглы. Расстояние от нее до ближайшей прямой обозначим за А. А распределена равномерно на [0;h/2]. Угол между иглой и прямой обозначим за a. a распределена равномерно на [0;p/2]. Тогда условие пересечения иглой прямой запишется в виде А £ (l/2)×sina. Площадь под графиком равна l/2. Искомая вероятность равна (по классической формуле) отношению площади под графиком к площади прямоугольника [0;p/2]x[0;h/2]. P=2l/ph.
24. Экспоненциальное распределение. Пример: распределение времени безотказной работы сложной технической системы.
СВ Х имеет экспоненциальное (показательное) распределение с параметром l > 0, т. е. X ~ E(l), если плотность вероятности имеет вид f(x) = lexp(-lx) при x > 0 и f(x) = 0 при x £ 0. Функция распределения СВ X ~ E(l) F(x) = 0 при x £ 0 и F(x) = 1 – exp[-lx] при x > 0.
M[X] = 1/l, D[X] = 1/l2, M[X2] = 2/l2.
Пример: Время X безотказной работы станка имеет экспоненциальное распределение. Вероятность того, что станок откажет за 5 часов работы равна 0,39347. Найти М[X], D[X], M[X2]. Решение: Найдем параметр распределения l. Для этого решим уравнение:
1 – exp[-5l] = 0,39347. exp[-5l] = 0,60653. -5l = ln(0,60653) = -0,5.
l = 0,1. Теперь найдем необходимые моментные характеристики.
M[X] = 1/l = 10,
D[X] = 1/l2 = 100,
M[X2] = (M[X])2 + D[X] = 200.
25. Стандартное нормальное (гауссовское) распределение: теорема Муавра-Лапласа, функция Лапласа и ее свойства, «закон трех сигм» для стандартной нормальной величины.
Пусть X ~ Bi(n,p). Тогда при n ® ¥ Р((Хn – np)/(npq)½ £ с) ® Ф(c), где Ф(с) – функция Лапласа.
В справочниках часто встречается также функция Лапласа Ф0(x).
Ф(x) = ½ + Ф0(x). Рассмотрим некоторые свойства функции Ф0(x):
- Ф0(-x) = -Ф0(x).
- Ф0(x) принимает значения от -½ до ½. Функция Ф(x) обладает всеми свойствами функции распределения, так как является функцией распределения стандартной нормальной случайной величины. Производная функции Ф((х-m)/s) является функцией плотности вероятности нормальной СВ.
. Для стандартной нормальной СВ m = 0, s = 1.
Параметр m равен МО нормальной СВ, а параметр s есть квадратный корень из значения дисперсии нормальной СВ.
Нормально распределенная СВ с большей вероятностью принимает значения, близкие к своему МО, что описывает «закон трех сигм». Неравенство Чебышева:
26. Нормальное (гауссовское) распределение. Функция Лапласа (интеграл вероятностей) и ее свойства. Плотность и функция распределения нормального распределения.
СВ X имеет нормальное (гауссовское) распределение с параметрами m и s2 > 0, т.е. X ~ N(m, s2), если
Функция Ф(x) называется функцией Лапласа.
В справочниках часто встречается также функция Лапласа Ф0(x).
Ф(x) = ½ + Ф0(x). Рассмотрим некоторые свойства функции Ф0(x):
- Ф0(-x) = -Ф0(x).
- Ф0(x) принимает значения от -½ до ½. Функция Ф(x) обладает всеми свойствами функции распределения.
Параметр m равен МО нормальной СВ, а параметр s есть квадратный корень из значения дисперсии нормальной СВ.
27. Случайные векторы. Закон распределения случайного вектора. Функция совместного распределения двух случайных величин. Таблица распределения. Плотность распределения. Связь функции распределения случайного вектора с его плотностью.
Двумерным случайным вектором (или двумерной СВ) Z = (по определению) col(X,Y) называется вектор, компонентами которого являются СВ X = X(w) и Y = Y(w), определенные на одном и том же пространстве W элементарных событий w. Функция F(x,y) = (по определению) Р({w: Х(w) £ х}{w: Y(w) £ у}) = (по определению) P{X £ x, Y £ y}, называется функцией распределения двумерной СВ Z = col(x,y). Двумерная СВ Z = col(x,y) называется дискретной, если СВ Х и Y дискретны. Простейшим способом задания закона распределения дискретной двумерной СВ является таблица распределения. Функция распределения имеет вид:
Где l – функция Хевисайда.
Неотрицательная кусочно-непрерывная функция f(x,y) называется плотностью распределения (плотностью вероятности) двумерной СВ Z = col(X,Y), если:
где используется символическая запись для двойного интеграла по области D = (по определению) {t £ x, t £ y}. Такая двумерная СВ называется непрерывной.
28. Определение частных законов распределения по совместному (в общем, дискретном и непрерывном случаях). Пример для дискретного случая.
Рассмотрим общий случай:
Пусть F(x,y) – функция распределения случайного вектора Z = col(X,Y). В таком случае FX=F(x,+¥); FY=F(+¥,y). В дискретном случае задача упрощается:
Решение находится по заданной
таблице распределения. В непрерывном
случае функция плотности
Пример: Предприятие имеет две поточные линии по сборке некоторой продукции. Технологические процессы на линиях связаны между собой. Пусть Х – количество единиц продукции, собранной за день первой линией, а Y – второй. Совместное распределение этих величин задано таблицей. Найти частные распределения СВ X и Y. Решение:
Y\X |
0 |
1 |
0 |
1/8 |
0 |
1 |
1/4 |
1/8 |
2 |
1/8 |
3/8 |
Найдем частные законы распределения. Для этого просуммируем соответствующие значения по столбцам или строкам. Получим:
Для Х:
X |
0 |
1 |
0 |
1/2 |
1/2 |
Для Y:
Y |
0 |
1 |
2 |
0 |
1/8 |
3/8 |
1/2 |
29. Условия независимости случайных величин (в общем, дискретном и непрерывном случаях). Пример: независимость компонент случайного вектора, равномерно распределенного на прямоугольнике.
СВ X и Y называются независимыми, если F(x,y) = FX(x)FY(y). Пусть Z – случайный двумерный дискретный вектор. Дискретные СВ X и Y, составляющие вектор Z, независимы тогда и только тогда, когда для всех i=0,n; j=0,m P{X = xi, Y = yi} = P{X = xi}P{Y = yi}. Для независимости непрерывных СВ Х и Y достаточно, чтобы выполнялось равенство f(x,y) = fX(x)fY(y).
Пример: Случайный вектор Z распределен равномерно на прямоугольнике [1,1]x[2,3] и имеет функцию распределения ½(xy-x-y+1) на площади прямоугольника. Независимы ли его компоненты? Решение: Вектор по условию составлен из двух равномерно распределенных случайных величин X и Y. X ~ R(1,2); Y ~ R(1,3). fX(x) = 1/(2-1) = 1 при X Î [1,2]. fY(y) = ½ при Y Î [1,3]. Если компоненты X и Y независимы, то f(x,y) = fX(x)fY(y). Получаем следующее:
Теперь найдем функцию распределения, проинтегрировав f(x,y) по области прямоугольника.
При Х, Y Î [1,1]x[2,3]. При X > 2, Y > 3 F(x,y) = 1. При X < 1, Y < 1 F(x,y) = 0. Полученная функция совпадает с заданной в условии. Компоненты независимы.
30. Моментные характеристики пары случайных величин: смешанный второй начальный момент, ковариация, коэффициент корреляции, ковариационная матрица. Свойства ковариации: вычисление ковариации через смешанный второй начальный момент, симметричность, линейность.
Смешанный второй начальный момент есть математическое ожидание произведения компонент вектора, т.е. nXY = M[XY]. Если произвести преобразование по формуле для зависимых СВ, то M[XY] = (по определению) kXY + M[X]M[Y], где kXY – ковариация. Ковариацией (корреляционным моментом) kXY СВ X и Y называется второй центральный смешанный момент. kXY = (по определению) M[(X-M[X])(Y-M[Y])]. Ковариация непрерывных СВ X и Y равна:
Ковариация нормированных СВ называется коэффициентом корреляции. rXY=kXY/sXsY.
Ковариационная матрица:
Свойства ковариации:
cov(x,y) = cov(y,x).
31. Формула дисперсии суммы (разности) двух величин. Неравенство Коши-Шварца для ковариации.
Пусть MX=MY=0. M[X±Y] = 0.
Неравенство Коши-Шварца:
32. Некоррелированность и линейная зависимость двух случайных величин и их связь со свойствами ковариации и коэффициента корреляции.
СВ X и Y называются некоррелированными, если cov(X,Y)=0. Из независимости СВ следует их некоррелированность, однако обратное утверждение в общем случае ложно. Как пример можно разобрать функциональную зависимость Y = X2, где X ~ R(-a,a). Тогда ковариация между X и Y равна:
Величины не коррелированны, но связаны функциональной зависимостью. Коэффициент корреляции:
Заметим, что |rXY| £ 1 (следует из неравенства Коши-Шварца).
Если |rXY| = 1, то случайные величины X, Y линейно зависимы, т.е.
$ с1, с2 Î R, с12+с22 > 0: с1X + с2Y = 0.
Линейная зависимость случайных величин X и Y или, что то же самое, их коллинеарность являются частным случаем их функциональной зависимости.
Информация о работе Шпаргалка по "Теории вероятности и математической статистике"