- •Определение ф-ии нескольких переменных.
- •Касательная плоскость и нормаль к поверхности.
- •Экстремумы ф-ций двух переменных
- •Нахождение наиб. И наим. Знач. На компакте.
- •Ои как предел интегральных сумм.
- •Линейные диф-е уравн. N-го порядка.
- •Неоднородные линейные диф. Уравнения 2-го порядка.
- •Метод Лагранжа…
- •Система линейных диф. Уравнений…
- •33. Двойной интеграл. Основные понятия и определения.
- •34. Двойной интеграл и его геометрический и физический смыслы.
- •35. Основные свойства двойного интеграла.
- •36. Вычисление двойного интеграла в декартовых координатах.
- •37. Вычисление двойного интеграла в полярных координатах.
- •38. Приложения двойного интеграла (объем тела, площадь плоской фигуры, масса плоской пластинки, статистические моменты, моменты инерции)
- •41.Замена переменных в тройном интеграле
- •42. Приложения тройного интеграла (объем, масса тела, статические моменты, моменты инерции тела).
- •49. Ротор и дивергенция векторного поля, их физ.Смысл и вычисление.
- •54. Признаки сходимости рядов с положительными членами. Признаки сравнения.
- •59. Функциональные ряды. Основные понятия
- •60. Теорема Абеля
- •61. Свойства степенных рядов
- •62. Ряды Тейлора и Маклорена. Достаточные условия разложимости функции в ряд Тейлора.
- •63) Разложение некоторых элементарных ф-ций в ряде Маклорена
- •64) Применение рядов к приближенным вычислениям значений ф-ции, определённых интегралов
- •65) Приближенное решение ду
- •66) Дискретное вероятностное пространство
- •67) Классическое вероятностное пространство
- •68) Теоремы сложения, умножения вероятностей. Несовместные, независимые события
- •69) Формулы полной вероятности и Байеса. Примеры
- •70)Аксиоматическое построение теории вероятностей. Следствия из аксиом
69) Формулы полной вероятности и Байеса. Примеры
Пусть некоторое событие А может произойти вместе с одним из несовместных событий , составляющих полную группу событий. Пусть известны вероятности этих событий и условные вероятности наступления события А при наступлении события Hi .
Теорема. Вероятность события А, которое может произойти вместе с одним из событий , равна сумме парных произведений вероятностей каждого из этих событий на соответствующие им условные вероятности наступления события А.
Ф-ла Байеса: Пусть имеется полная группа несовместных гипотез с известными вероятностями их наступления . Пусть в результате опыта наступило событие А, условные вероятности которого по каждой из гипотез известны, т.е. известны вероятности.
Требуется определить какие вероятности имеют гипотезы относительно события А, т.е. условные вероятности.
Теорема. Вероятность гипотезы после испытания равна произведению вероятности гипотезы до испытания на соответствующую ей условную вероятность события, которое произошло при испытании, деленному на полную вероятность этого события.
70)Аксиоматическое построение теории вероятностей. Следствия из аксиом
Аксиома 1: Каждому случайному событию А поставлено в соответствие неотрицательное число Р(А), называемое его вероятностью
Аксиома 2:
Аксиома 3: Если события ААА попарно несовместимы, то
Из сформулированных аксиом можно вывести несколько важных элементарных следствий:
Из 1-й:
Из 3-й:
Таким образом:
1) Вероятность невозможного события равна нулю
2) Для любого события А
3) Каково бы ни было случайное событие А
4) Если событие А влечёт за собой событие В, то
5) Пусть А и В — два произвольных события. Т. к. в суммах А + В = А + (В – АВ) и В = АВ + (В – АВ) слагаемые являются несовместимыми событиями, то в соответствии с аксиомой 3:
Р(А + В) = Р(А) + Р(В – АВ); Р(В) = Р(АВ) + Р(В – АВ)
Отсюда вытекает теорема сложения для произвольных событий А и В:
Р(А + В) = Р(А) + Р(В) – Р(АВ)
В силу неотрицительности Р(АВ) отсюда заключаем, что
Р(А + В) Р(А) + Р(В)
71. Случайная величина называется Дискретной , если множество ( x1 ,x2 …….. Xm……..) её возможных значений конечно или счётно ( т.е. если все её значения можно перечислить).
При решении задач на составление ряда распределения дискретной СВ нужно отвечать на следующие вопросы:Каковы возможные значения этой СВ?В чём заключается событие ( пси = Х0?Как определить вероятность таких событий?Дискретная СВ (пси) имеет Распределение Пуасона с параметром a, если она принимает значения 0, 1, 2……., m ……. . Закон распределения Пуасона является хорошим приближением для биномиального распределения при больших значениях n и p ( или 1 – p).
СВ (пси) имеет Бинамиальное распределение с параметрами n и p , если она принимает значения 0 , 1 , ……. n с вероятностями P( пси = m)= Cnm pmqn-m, m = 0 1 2 …… , n, где 0<p<1 , q = 1 –p .
72. СВ называется Непрерывной,если её функция распределения непрерывна на всей числовой оси . Непрерывная СВ принимает все значения из некоторого интервала или системы интервалов на числовой оси.
1)Непрерывная СВ (пси) имеет Равномерное распределение на отрезке (А:B), если её плотность распределения постоянна на этом отрезке, а вне его равна нулю:
P(х) = 1/b-a при x € [a;b]
P(х) = 0 при Х не принадлежит [а,б]
2)Непрерывная СВ( пси) имеет Показательное (экспоненциальное) распределение с параметром Лямда > 0 , если её плотность распределения имеет вид: P(х) = лямда e –лямда х при Х≥0
P(х) = 0 при Х < 0.
73. Функции распределения случайной величины и её свойства. Определение случайной величины.
Функция распределения представляет собой универсальный способ задания СВ в том смысле ,что она существует для любой СВ. Ряд распределения существует только для дискретной СВ, а плотность распределения ----- только для непрерывной. Для непрерывной СВ функция распределения F(х) = P((пси)<х) непрерывна в любой точке числовой прямой. Более того, P((пси)=х0)=0, т.е вероятность того , что непрерывная СВ примет заранее указанное значение, равна нулю.( Заметим , однако, что это событие не обязательно невозможно.) Отсюда следует, что для непрерывной СВ P (α ≤ (пси) ≤ β) = P(α < (пси) ≤ β) = P(α< (пси) <β) = P(α ≤ (пси)) <β = F(β) – F(α).
74. Свойство плотности распределения случайной величины. Примеры. Ряд распределения. Функцию p(x) будем называть Плотностью распределения СВ (пси), если вероятность того , что (пси) принимает значения из промежутка (-∞; х) равна интегралу от этой функции в пределах от -∞ до х , т.е F(x) = P( (пси) < x) = Следовательно если функция p(x) непрерывна в точке х, то функция распределения F(x) дифференцируема в этой точке, причём p(x) = F(x). Свойства плотности распределения .1. p(x) ≥ 0 при всех Х , т.к F(x) ----- неубывающая функция. 2 Вероятность попадания непрерывной СВ (пси) в интервал , отрезок или полуинтервал с одними и теми же концами одинаковы и равны определённому интегралу от плотности вероятности на этом промежутке : P (α ≤ (пси) ≤ β) = P(α < (пси) ≤ β) = P(α< (пси) <β) =
75. Математическое ожидание М(пси) и дисперсия D(пси) непрерывной СВ (пси) определяется по формулам M(пси) = D(пси) = 2p(x)dx. На практике вычесления дисперсии, как правило , удобно использовать формулу M(пси2) = 2p(x) dx.
Свойства: 1. Математическое ожидание постоянной С равно этой постоянной. 2. Постоянный множитель можно выносить за знак математического ожидания, т.е. 3. Математическое ожидание суммы нескольких случайных величин равно сумме математических величин: 4. Математическое ожидание произведения двух независимых случайных величин равно произведению математических ожиданий этих величин **:
76. Дисперсия случайной величины характеризует меру разброса случайной величины около ее математического ожидания.
1°. Дисперсия постоянной равна нулю. 2°. Постоянный множитель можно выносить за знак дисперсии, возводя его в квадрат:
|
3. Если и - независимые случайные величины , то дисперсия суммы этих величин равна сумме их дисперсий:
|
4. Дисперсия любой случайной величины неотрицательна: Среднеквадратическим отклонением случайной величины Х называется квадратный корень из дисперсии.
77. Числовые характеристики СВ:
1. Дисперсия; 2. Мат. ожидание; 3. Начальный; 4. Центральный момент.
Начальным моментом k-го порядка случайной величины x называется математическое ожидание k-й степени случайной величины x , т.е. a k = Mx k.
Центральным моментом k-го порядка случайной величины x называется величина m k, определяемая формулой m k = M(x - Mx )k.
Заметим, что математическое ожидание случайной величины - начальный момент первого порядка, a 1 = Mx , а дисперсия - центральный момент второго порядка,
a 2 = Mx 2 = M(x - Mx )2 = Dx .
78. Нормальное распределение (распределение Гаусса) — распределение вероятностей, которое задается функцией плотности распределения:
Правило трех сигм: Вероятность того, что случайная величина отклонится от своего математического ожидания на большую величину, чем утроенное среднее квадратичное отклонение, практически равна нулю. практически все значения нормально распределённой случайной величины лежат в интервале .
79-86