Professional Documents
Culture Documents
Все Ответы Без 48
Все Ответы Без 48
Приклад: Скільки різних слів можна утворити переставляючи літери слова 1)ШКОЛА:
7!
P5=5 !=120; 2)САДОЧОК: P27= =2560 .
2!
Розміщення - кількість усіх упорядкованих m елементних підмножин, множини з n елементів.
m n!
An = =n ∗ ( n −1 ) ∗... ∗ ( n −m+1 ).
( n− m ) !
При повторенні Amn =nm.
Комбінація - спосіб вибору декількох речей з більшої групи, де порядок не має значення.
m n!
Cn = .
m! ( n − m ) !
Властивості: 1) Симетричність - C mn =C nn −m
2) C 0n=C nn=1
3)C 1n=C nn −1=n
4) Трикутник Паскаля - C mn +Cmn +1=C m+1
n+1
Принцип суми – якщо об’єкт x можна вибрати n1 способами, а інший об’єкт y n2 способами,
то можна вибрати або x або y n1+n2 способами.
n1+n2+…+nm
Принцип добутку – якщо об’єкт x можна вибрати n1 способами та після кожного такого
вибору об’єкт y n2 способами, то пару об’єктів (x,y) можна вибрати n1*n2 способами.
n1*n2*…*nm
Наслідки.
1)
2)
Доведення.
Наслідок1.
Якщо А і В незалежні, то Р(А/В) = Р(А) а Р(В/А) = Р(В) і тому
Р(АВ) = Р(А) Р(В).
Наслідок 2.
Для трьох подій: Р( А1 А2 А3) = Р(А1) Р(А2/А1) Р(А3/А1А2)
Доведіть самостійно.
Наслідок 3.
Для n подій: Р(А1 А2 ...Аn ) = P(A1) P(A2/A1) P(A3/A1A2)...P(An/A1A2...An).
Для доведення можна скористатись методом математичної індукції.
Другий варіант
формулою
Центральним моментом k-го порядку називається математичне сподівання
від
Коли
для маємо
при
при
і так далі.
Для дискретної випадкової величини центральні моменти мають вигляд
( HA )
n
( )
P ( Hi) ∗ P
A
Hi
Формула Байєса:
P
( )
A
Hi
=
P( A)
Доведення:
обчислимо ймовірність
Домножимо на
Наслідки
10. Функція Гауса та її властивості.
1 2
−x /2
φ ( x )= ∗e
√2 π
Властивості:
1) (-x) = (x) – функція парна
2) (x) 0, x
+∞
∫ e − x dx= √ π
2
, коли .
Рекомендована мінімальна кількість випробувань - приблизно 50-100, інакше результат
може виявитися далеким від істини. Крім того, локальна теорема Лапласа працює тим
краще, чим ймовірність ближче до 0,5, і навпаки - дає істотну погрішність при значеннях
, близьких до нуля або одиниці.
, коли
Якщо ймовірність p настання події A в кожному випробуванні постійна, але достатньо мала
p<<0,1, число незалежних випробувань достатньо велике, при цьому виконується
то ймовірність того, що в n випробуваннях подія A наступить рівно k разів
приблизно рівна
- формула Пуассона, де .
формулою
Центральним моментом k-го порядку називається математичне сподівання
від
Коли
для маємо
при
при
і так далі.
Для дискретної випадкової величини центральні моменти мають вигляд
Отже, ексцес рівний нулю Es=0 для нормального закону розподілу. Якщо ексцес
додатній Es>0 то на графіку функція розподілу має гостру вершину і для від'ємних
значень Es<0 більш пологу.
21. Біноміальний закон розподілу: означення, приклад, доведення
формул для обчислення числових характеристик.
Означення:
Випадкова величина X розподілена за біноміальним законом, з параметром n і p якщо Х це к-
ть появ події в схемі Бернуллі з к-ть випробування n та ймовірність появи події в схемі p
Формула:
Якщо х розподілено за біноміальним законом, то аналітично закон задається формулою:
(формула бернуллі)
КОРОТКІ ФОРМУЛИ:
Математичне сподівання(мат сподівання)
Дисперсія
Доведення:
розглянемо випадкові величини
Знайдемо мат сподівання цієї випадкової величини:
Отже,
Приклад
Підкидують гральний кубик:
Запис закон розподілу випадк велич Х (к-ть трійок,що випала)
Обчислити мат сподівання і дисперсію та середнє квадратичне відхилення.
22. Геометричний закон розподілу випадкової величини: означення,
приклад, числові характеристики.
Означення:
Випадкова величина Х,розподілена за геометричним законом, якщо Х це к-ть випробувань в
схемі бернуллі,до першої появи події в схемі,або між двома сусідніми.
Формула:
Якщо Х розподілено за геометричним законом, то закон задається формулою:
Короткі формули:
Мвт сподівання
Дисперсія
(Мода завжди = 1)
Доведення:
Приклад:
Ймовірність того,що одруження голохуастова буде вдалим р = 0.2, записати закон розподілу
ВВ Х-кть одружень до першого вдалого, зобразити графічно,обчислити основні числові
характеристики
Графічно-за допомогою трикутника розподулу:
Формула:
Якщо ВВ Х розподілена за законом пуасона з параметром лямбда, то закон задається
формулою:
Схоже на граничну теорему в схемі бернуллі
короткі формули:
Мат сподівання
Дисперсія
Приклад:
Ймовірність зустріти однокласника в Парижі р=3*10^(-4). Нехай особа там пробула n=2000
днів. Записати закон розподілу ВВ Х- к-ть зустрічей з одноклассником, мат сподівання і
дисперсію
23. Гіпергеометричний закон розподілу. Числові харакретистики.
Означення:
Нехай є множина, що містить N елементів. З них М володіють певною ознакою, з множини
обирають n елементів. К-ть елементів з однакоґ серед вибраних мають гіпергеометричний
закон розподілу з параметрами N,M,n
(група 20 чол,8-кияни. Вибираємо 5 осіб, к-ть киян серед вибраних має гіпергеомеричний
закон розподілу)
Формула:
Якщо Х розподілено за гіпергеометричним законом з параметром N,M,n,то закон
задається формулою:
Короткі формули:
Мат сподівання
Дисперсія
Приклад:
У бібліотеці є 8 різних книжок,5 з них мають гриф МОН, студент бере 4, книжки. Знайти
закон розподілу ВВ Х- к-ть книжок з грифом серед взятих. Зобразити закон графічно, та
обчислити основні характеристики
Зобразити геометрично:
Числові характеристики:
25. Рівномірний розподіл: означення, числові харакретистики (з доведенням формули для
обчислення математичного сподівання).
{
− λx
задається формулою f ( x )= λ e , x > 0
0, x≤0
1 1
M ( X )= , D ( X )= 2
λ λ
( |)
+∞ +∞ b − λx
b e b 1
M ( X )= ∫ xf ( x ) dx=∫ x ∗ λ e dx=λ ∗ lim ∫ x e dx= lim λb +
− λx − λx
=¿ ¿
−∞ 0 b →+∞ 0 b →+ ∞ e −λ 0 λ
( )
P ( X <α )=0 ,5+Ф 0
α−a
σ
( )
P ( X > β )=0 ,5 −Ф 0
β−a
σ
( ) (
P ( α < X < β )=Ф 0
β −α
σ
−Ф 0
α −a
σ )
()
P (|X − a|< δ )=2Ф 0
δ
σ
28. Коваріація випадкових величин: означення, властивості.
Коваріація (кореляційний момент) випадкових величин називають математичне сподівання
добутку відхилення: K xy =M ( X −m x ) ( Y − my ).
n m
Для дискретних випадкових величин: K xy =∑ ∑ ( x i −m x ) ( y j − m y ) Pij
i=1 j=1
+∞ +∞
Властивості:
K xy= K yx
| K xy| ≤ σ x σ y
K x , y+ c =K x+ c , y =¿K x+c
2 1 1 , y +c2
K ax , y =a K x , y ; K x ,by =b K x, y
K xy =M ( XY ) − M ( x ) M ( Y )
n m
Для дискретних випадкових величин: K xy =∑ ∑ x i y j P y −
i=1 j=1
+∞ +∞
lim F ( x ; y )=F x ( x )
y →+∞
3 ∫ ∫ f ( x ; y ) dxdy =1
− ∞ −∞
x y
4 F(x;y)= ∫ ∫ f ( x ; y ) dxdy
− ∞ −∞
+∞
5 ∫ f ( x ; y ) dx =f y ( y )
−∞
+∞
∫ f ( x ; y ) dy =f x ( x )
−∞
❑ ❑
P ( ( x ; y ) ϵ D )=∫ ∫ f ( x ; y ) dxdy 32. Сформулювати та довести Лему Чебишова.
❑ D
Задано додатню величину Х , яка має скінченне математичне сподівання, тоді має
місце нерівність:
Доведення:
34. Сформулювати та довести нерівність Чебишова.
Нерівність Чебишова — результат теорії ймовірностей, який стверджує, що для будь-якої
випадкової величини із скінченною дисперсією майже всі значення концентруються біля
значення математичного сподівання. Нерівність Чебишева дає кількісні характеристики
цієї властивості.
Розглянемо випадкову величину х що має скінченне математичне
сподівання і дисперсію тоді для , як завгодно малого Е(епсілон), має місце
нерівність
Доведення: розглянемо дві події – А і протилежна до А.
Дисперсія
Переходимо до лімітів
Доведення закінчено.
37. Предметом математичної статистики є розроблення методів збору та оброблення
статистичних даних для одержання наукових та практичних висновків.
Основне завдання математичної статистики – розроблення методів аналізу статистичних
даних залежно від мети дослідження.
38. Множину однорідних об’єктів називають статистичною сукупністю. Вибірковою
сукупністю (вибіркою) називають сукупність випадково взятих об’єктів із статистичної
сукупності.
Генеральною називають сукупність об’єктів, з яких зроблено вибірку. Обсягом сукупності
(вибіркової або генеральної) називають кількість об’єктів цієї сукупності.
Статистичним розподілом вибірки називають перелік варіант та відповідних частот або
відносних частот. Статистичний закон розподілу зручно задавати таблицею, що встановлює
зв’язок між значеннями випадкової величини та їх частотами
Графічне зображення вибірки?
39. Емпірична функція розподілу має такий вигляд:
( √ √ )
❑ ❑ ❑ ❑
p (1 − p ) ❑ p ( 1− p )
❑
p −t ∙ ; p +t ∙ , (11.6)
n n
nA
де p❑= – відносна частота події А; t визначається з рівності 2 Φ0 ( t )=γ .
n
З метою оцінювання невідомого парметру p❑ з наперед заданою точністю ε
γ 1+γ
де n –об’єм вибірки; t визначається з рівності Φ 0 ( t )= 2 (або Φ ( t )= 2 )
ε√n
де t= σ . З останньої рівності отримуємо точність оцінки, що відповідає рівню
надійності γ :
tσ
ε= . (11.4)
√n
{
γ =P |X − a|<
tσ
√n }
=2 Φ 0 ( t ),
{ σ
} σ
або P X − t ∙ √ n , X + t ∙ √ n =2Φ 0 ( t )=γ , що і треба було довести.
( X − t ∙ √Sn , X +t ∙ √Sn ),
γ γ (11.3)
√
Значення S= 4 ≈ 1,155. Використовуючи таблицю розподілу Стьюдента (додаток
3
_________ ) знаходимо значення t γ =t ( 0 , 95 ; 9 )=2 ,26 .Таким чином, значення
1,155
ε =2 , 26∙ ≈ 0 , 83. Довірчий інтервал, відповідно до формули (11.3) має межі
√10
(13,17; 14,83).
( √ n ∙ S0 √ n ∙ S 0
χ2
,
χ1 ), (11.4)
n
1
де n – об’єм вибірки; S20 = ∑ ( X i − a ) – дисперсія розраховано за відомого
2
n i=1
2 2 2 2
математичного сподівання; χ 1= χ 1+γ
2
,n ,
χ 2= χ 1+γ – квантилі χ 2-розподілу з n
2
,n
(√ n −1∙ S √ n −1 ∙ S
χ2
,
χ1
, ) (11.5)
√
n
1
де n – об’єм вибірки; S= ∑ ( X − X ) 2 – виправлене середнє квадратичне
n −1 i=1 i
2 2 2 2
відхилення; χ 1= χ 1+γ
2
,n − 1,
χ 2= χ 1+γ
2
,n − 1 – квантилі χ -розподілу з n – 1 ступенями
2
( )
Середнього квадратичного M ( X )=a √ n ∙ S0 √ n ∙ S 0 2 2
χ 1= χ 1+γ , χ 2= χ 1+γ
2 2
, ,n
2
,n
2
відхилення σ нормально відоме χ2 χ1
розподіленої величини
M ( X )=a
( )
Середнього квадратичного √ n −1∙ S , √ n −1 ∙ S 2
χ 1= χ 1+γ
2 2 2
χ 2= χ 1+γ
,n − 1, ,n − 1
відхилення σ нормально невідоме χ2 χ1 2 2
розподіленої величини
( √ √ )
Параметру p – ймовірності ( n>100 ) n ❑
p ❑( 1− Ap ) Φ 0 ( t )= γ
❑ ❑ ❑
p (1 − p ) ❑
; p +t ∙ p = n ,
❑
p −t ∙ 2
появи події в схемі n n
Бернуллі ,