🗊Презентация Теория вероятностей, математическая статистика и случанйные процессы

Категория: Математика
Нажмите для полного просмотра!
Теория вероятностей, математическая статистика и случанйные процессы, слайд №1Теория вероятностей, математическая статистика и случанйные процессы, слайд №2Теория вероятностей, математическая статистика и случанйные процессы, слайд №3Теория вероятностей, математическая статистика и случанйные процессы, слайд №4Теория вероятностей, математическая статистика и случанйные процессы, слайд №5Теория вероятностей, математическая статистика и случанйные процессы, слайд №6Теория вероятностей, математическая статистика и случанйные процессы, слайд №7Теория вероятностей, математическая статистика и случанйные процессы, слайд №8Теория вероятностей, математическая статистика и случанйные процессы, слайд №9Теория вероятностей, математическая статистика и случанйные процессы, слайд №10Теория вероятностей, математическая статистика и случанйные процессы, слайд №11Теория вероятностей, математическая статистика и случанйные процессы, слайд №12Теория вероятностей, математическая статистика и случанйные процессы, слайд №13Теория вероятностей, математическая статистика и случанйные процессы, слайд №14Теория вероятностей, математическая статистика и случанйные процессы, слайд №15Теория вероятностей, математическая статистика и случанйные процессы, слайд №16Теория вероятностей, математическая статистика и случанйные процессы, слайд №17Теория вероятностей, математическая статистика и случанйные процессы, слайд №18Теория вероятностей, математическая статистика и случанйные процессы, слайд №19Теория вероятностей, математическая статистика и случанйные процессы, слайд №20Теория вероятностей, математическая статистика и случанйные процессы, слайд №21Теория вероятностей, математическая статистика и случанйные процессы, слайд №22Теория вероятностей, математическая статистика и случанйные процессы, слайд №23Теория вероятностей, математическая статистика и случанйные процессы, слайд №24Теория вероятностей, математическая статистика и случанйные процессы, слайд №25Теория вероятностей, математическая статистика и случанйные процессы, слайд №26Теория вероятностей, математическая статистика и случанйные процессы, слайд №27Теория вероятностей, математическая статистика и случанйные процессы, слайд №28Теория вероятностей, математическая статистика и случанйные процессы, слайд №29Теория вероятностей, математическая статистика и случанйные процессы, слайд №30Теория вероятностей, математическая статистика и случанйные процессы, слайд №31Теория вероятностей, математическая статистика и случанйные процессы, слайд №32Теория вероятностей, математическая статистика и случанйные процессы, слайд №33Теория вероятностей, математическая статистика и случанйные процессы, слайд №34Теория вероятностей, математическая статистика и случанйные процессы, слайд №35Теория вероятностей, математическая статистика и случанйные процессы, слайд №36Теория вероятностей, математическая статистика и случанйные процессы, слайд №37Теория вероятностей, математическая статистика и случанйные процессы, слайд №38Теория вероятностей, математическая статистика и случанйные процессы, слайд №39Теория вероятностей, математическая статистика и случанйные процессы, слайд №40Теория вероятностей, математическая статистика и случанйные процессы, слайд №41Теория вероятностей, математическая статистика и случанйные процессы, слайд №42Теория вероятностей, математическая статистика и случанйные процессы, слайд №43Теория вероятностей, математическая статистика и случанйные процессы, слайд №44Теория вероятностей, математическая статистика и случанйные процессы, слайд №45Теория вероятностей, математическая статистика и случанйные процессы, слайд №46Теория вероятностей, математическая статистика и случанйные процессы, слайд №47Теория вероятностей, математическая статистика и случанйные процессы, слайд №48Теория вероятностей, математическая статистика и случанйные процессы, слайд №49Теория вероятностей, математическая статистика и случанйные процессы, слайд №50Теория вероятностей, математическая статистика и случанйные процессы, слайд №51Теория вероятностей, математическая статистика и случанйные процессы, слайд №52Теория вероятностей, математическая статистика и случанйные процессы, слайд №53Теория вероятностей, математическая статистика и случанйные процессы, слайд №54Теория вероятностей, математическая статистика и случанйные процессы, слайд №55

Содержание

Вы можете ознакомиться и скачать презентацию на тему Теория вероятностей, математическая статистика и случанйные процессы. Доклад-сообщение содержит 55 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации


Слайд 1







ШАЛАЕВ Ю.Н. 
доцент каф. ИПС, АВТФ

ТЕОРИЯ ВЕРОЯТНОСТЕЙ, МАТЕМАТИЧЕСКАЯ СТАТИСТИКА И СЛУЧАНЙНЫЕ ПРОЦЕССЫ

Лекции-                       26 часов
Практические занятия- 26 часов
Экзамен, зачет.
Описание слайда:
ШАЛАЕВ Ю.Н. доцент каф. ИПС, АВТФ ТЕОРИЯ ВЕРОЯТНОСТЕЙ, МАТЕМАТИЧЕСКАЯ СТАТИСТИКА И СЛУЧАНЙНЫЕ ПРОЦЕССЫ Лекции- 26 часов Практические занятия- 26 часов Экзамен, зачет.

Слайд 2





Литература
     1 .Гмурман В.Е. Курс теории вероятностей. М.: В.Ш. 1977,1999.
     2.  Вентцель Е. С. Теория вероятностей М.: Наука, 1979,2000.
     3.  Чистяков В.П. Курс теории вероятностей. М.:1987.
Свешников А.А. Сборник задач по теории вероятностей, математической статистике и теории случайных функций. М.: Наука, 1965.
Описание слайда:
Литература 1 .Гмурман В.Е. Курс теории вероятностей. М.: В.Ш. 1977,1999. 2. Вентцель Е. С. Теория вероятностей М.: Наука, 1979,2000. 3. Чистяков В.П. Курс теории вероятностей. М.:1987. Свешников А.А. Сборник задач по теории вероятностей, математической статистике и теории случайных функций. М.: Наука, 1965.

Слайд 3





Пространство элементарных событий Ω
Пространством элементарных событий Ω
называется множество элементарных
событий ωi , удовлетворяющих данному
эксперименту:

          Ω={ω1 , ω2, …, ωn }.
Описание слайда:
Пространство элементарных событий Ω Пространством элементарных событий Ω называется множество элементарных событий ωi , удовлетворяющих данному эксперименту: Ω={ω1 , ω2, …, ωn }.

Слайд 4





Случайные события
Случайным событием или просто
событием называется подмножество А
множества Ω:
               A  Ω.
         А={ω1, ω2,…,ωm},
где m-число элементарных событий
          случайного события А.
Для дискретного Ω число случайных событий
               N=2n.
Описание слайда:
Случайные события Случайным событием или просто событием называется подмножество А множества Ω: A  Ω. А={ω1, ω2,…,ωm}, где m-число элементарных событий случайного события А. Для дискретного Ω число случайных событий N=2n.

Слайд 5





Действия над событиями
AB - объединение множеств (событий)
AB – пересечение множеств (событий)
Ā= Ω – А –противоположное событие
             
 AB=Ø – несовместные события
Описание слайда:
Действия над событиями AB - объединение множеств (событий) AB – пересечение множеств (событий) Ā= Ω – А –противоположное событие AB=Ø – несовместные события

Слайд 6





Комбинаторика
Основное правило комбинаторики:
пусть требуется совершить одно за другим К действий и первое действие
можно осуществить n1 способами,
второе n2 и так до К действия, которое
можно осуществить nk способами, то все К действий можно осуществить 
                         N=n1·n2···nk                                                                        
   способами.
Описание слайда:
Комбинаторика Основное правило комбинаторики: пусть требуется совершить одно за другим К действий и первое действие можно осуществить n1 способами, второе n2 и так до К действия, которое можно осуществить nk способами, то все К действий можно осуществить N=n1·n2···nk способами.

Слайд 7





Сочетания:

 
Сочетания:

 
Перестановки:  

Размещения:

                             
  
Комбинации с возвращением:
Описание слайда:
Сочетания: Сочетания: Перестановки: Размещения: Комбинации с возвращением:

Слайд 8





Вероятность
Аксиоматическое определение вероятности:
  Вероятность на пространстве элементарных
событий Ω называется функция Р(А),
обладающая свойствами:
      
                 Р(Ω)=1;
                0Р(А)1;
              Р(АВ)=Р(А)+Р(В), АВ=Ø
Описание слайда:
Вероятность Аксиоматическое определение вероятности: Вероятность на пространстве элементарных событий Ω называется функция Р(А), обладающая свойствами: Р(Ω)=1; 0Р(А)1; Р(АВ)=Р(А)+Р(В), АВ=Ø

Слайд 9





Классическая вероятность:
                   Р(А)=m/n,
n-число элементарных событий для Ω;
m-число элементарных событий для А.
Классическая вероятность:
                   Р(А)=m/n,
n-число элементарных событий для Ω;
m-число элементарных событий для А.
Геометрическая вероятность:
      Р(А)=LA/LΩ; Р(А)=SA/SΩ; Р(А)=VA/VΩ,
где L-длина, S-площадь, V-объем.
Статистическая вероятность:

                    Р(А)=limnA/n.
                       n-∞
Описание слайда:
Классическая вероятность: Р(А)=m/n, n-число элементарных событий для Ω; m-число элементарных событий для А. Классическая вероятность: Р(А)=m/n, n-число элементарных событий для Ω; m-число элементарных событий для А. Геометрическая вероятность: Р(А)=LA/LΩ; Р(А)=SA/SΩ; Р(А)=VA/VΩ, где L-длина, S-площадь, V-объем. Статистическая вероятность: Р(А)=limnA/n. n-∞

Слайд 10





Вероятность суммы
вероятность суммы для совместных событий А и В определяется по соотношению
Р(А U В) = Р(А) + Р(В) – Р(А ∩ В);
Вероятность противоположного события
Р(Ā)=1-Р(А)
Описание слайда:
Вероятность суммы вероятность суммы для совместных событий А и В определяется по соотношению Р(А U В) = Р(А) + Р(В) – Р(А ∩ В); Вероятность противоположного события Р(Ā)=1-Р(А)

Слайд 11





Условная вероятность
   Условная вероятность для зависимых событий определяется по соотношению
             Р(А/В) = Р(А ∩ В) /  Р(В).
События А и В независимы, если условная вероятность равна своей безусловной вероятности
                     Р(А/В) = Р(А);
Описание слайда:
Условная вероятность Условная вероятность для зависимых событий определяется по соотношению Р(А/В) = Р(А ∩ В) / Р(В). События А и В независимы, если условная вероятность равна своей безусловной вероятности Р(А/В) = Р(А);

Слайд 12





Вероятность произведения
Вероятность произведения двух событий равна произведению вероятностей одного из этих событий на
условную вероятность другого при условии, что первое
произошло:
                     Р(АВ)=Р(А)·Р(В/А);
Для трех событий:
                  Р(АВС)=Р(А)·Р(В/А)·Р(С/АВ);
для независимых событий вероятность произведения равна произведению вероятностей
                     Р(А ∩ В) = Р(А) Р(В);
Вероятность произведения коммутативна:
                         Р(АВ)=Р(А)·Р(В/А);
                         Р(АВ)=Р(В)·Р(А/В).
Описание слайда:
Вероятность произведения Вероятность произведения двух событий равна произведению вероятностей одного из этих событий на условную вероятность другого при условии, что первое произошло: Р(АВ)=Р(А)·Р(В/А); Для трех событий: Р(АВС)=Р(А)·Р(В/А)·Р(С/АВ); для независимых событий вероятность произведения равна произведению вероятностей Р(А ∩ В) = Р(А) Р(В); Вероятность произведения коммутативна: Р(АВ)=Р(А)·Р(В/А); Р(АВ)=Р(В)·Р(А/В).

Слайд 13





Формула полной вероятности
 
 А-произвольное событие;
   События Н1, Н2,…Нn попарно несовместны,
называются гипотезами и образуют полную группу событий, при этом
                  Р(Нi)>0,
Описание слайда:
Формула полной вероятности А-произвольное событие; События Н1, Н2,…Нn попарно несовместны, называются гипотезами и образуют полную группу событий, при этом Р(Нi)>0,

Слайд 14





Формула Байеса
Это вероятность наступления К гипотезы при условии,
что событие А произошло.
Описание слайда:
Формула Байеса Это вероятность наступления К гипотезы при условии, что событие А произошло.

Слайд 15





Испытания Бернулли
Производится последовательность независимых испытаний, в каждом из которых с постоянной вероятностью Р происходит событие А (успех) и
событие Ā с вероятностью q=1-p. Необходимо
определить вероятность появления события А в этой
в этой серии ровно m раз:
Описание слайда:
Испытания Бернулли Производится последовательность независимых испытаний, в каждом из которых с постоянной вероятностью Р происходит событие А (успех) и событие Ā с вероятностью q=1-p. Необходимо определить вероятность появления события А в этой в этой серии ровно m раз:

Слайд 16





Случайная величина
    Случайная величина ξ это действительная функция
                        ξ= ξ (ω), ωΩ,
определенная на пространстве элементарных событий.
    Т.е. случайная величина-это функция; аргумент у
которой, элементарное событие; значение-число.
     Случайные события (А,В,…) качественные характеристики случайных явлений. Случайная величина дает количественную характеристику
явлений.
Описание слайда:
Случайная величина Случайная величина ξ это действительная функция ξ= ξ (ω), ωΩ, определенная на пространстве элементарных событий. Т.е. случайная величина-это функция; аргумент у которой, элементарное событие; значение-число. Случайные события (А,В,…) качественные характеристики случайных явлений. Случайная величина дает количественную характеристику явлений.

Слайд 17





Случайная величина дискретного типа
Закон задается в виде ряда распределения-это совокупность пар чисел (xk,Pk), где
xk-значения, которые принимает случайная величина ξ= xk;
Pk-вероятность, которую принимает это значение xk:
                           Pk=P(ξ= xk)>0:
Описание слайда:
Случайная величина дискретного типа Закон задается в виде ряда распределения-это совокупность пар чисел (xk,Pk), где xk-значения, которые принимает случайная величина ξ= xk; Pk-вероятность, которую принимает это значение xk: Pk=P(ξ= xk)>0:

Слайд 18





Функция распределения
                   F(x)=P(ξ<x)

Это вероятность того, что случайная величина
принимает значение расположенное левее 
точки х.
Функция распределения неслучайная функция;
аргумент-вещественное х; значение-число.
Описание слайда:
Функция распределения F(x)=P(ξ<x) Это вероятность того, что случайная величина принимает значение расположенное левее точки х. Функция распределения неслучайная функция; аргумент-вещественное х; значение-число.

Слайд 19





Свойства функции распределения
F(-∞)=0; F(∞)=1; 
F(x)-неубывающая функция; х1<х2, F(x1)F(x2)
F(x)-непрерывная функция; limF(x)=F(x0); x→x0-0;
Вероятность попадания случайной величины на заданный интервал [а,в) равно приращению функции
распределения на этом интервале:

                   P(аξ<в)= F(в) – F(а)
Описание слайда:
Свойства функции распределения F(-∞)=0; F(∞)=1; F(x)-неубывающая функция; х1<х2, F(x1)F(x2) F(x)-непрерывная функция; limF(x)=F(x0); x→x0-0; Вероятность попадания случайной величины на заданный интервал [а,в) равно приращению функции распределения на этом интервале: P(аξ<в)= F(в) – F(а)

Слайд 20





Случайная величина непрерывного типа
f(x) – плотность распределения вероятностей случайной величины ξ.
Описание слайда:
Случайная величина непрерывного типа f(x) – плотность распределения вероятностей случайной величины ξ.

Слайд 21





Плотность вероятностей
     Плотность распределения вероятностей случайной
величины ξ, называется предел отклонения вероятности попадания ξ на малый интервал к
    длине этого интервала:
Если этот предел существует, то он равен производной
от функции распределения
Описание слайда:
Плотность вероятностей Плотность распределения вероятностей случайной величины ξ, называется предел отклонения вероятности попадания ξ на малый интервал к длине этого интервала: Если этот предел существует, то он равен производной от функции распределения

Слайд 22





Свойства плотности вероятностей
График плотности вероятностей f(x) – кривая распределения вероятностей;
Плотность вероятностей неотрицательная функция:
                          f(x)  0;
Плотность вероятностей нормирована на единицу:

Вероятность попадания на интервал [а,в):
Описание слайда:
Свойства плотности вероятностей График плотности вероятностей f(x) – кривая распределения вероятностей; Плотность вероятностей неотрицательная функция: f(x)  0; Плотность вероятностей нормирована на единицу: Вероятность попадания на интервал [а,в):

Слайд 23





Числовые характеристики случайных величин
    Математическое ожидание –
это число, которое характеризует среднее значение случайной величины: для дискретной ξ



Для непрерывной ξ:
Описание слайда:
Числовые характеристики случайных величин Математическое ожидание – это число, которое характеризует среднее значение случайной величины: для дискретной ξ Для непрерывной ξ:

Слайд 24





Свойства математического ожилания
1  Математическое ожидание постоянной величины С равно
    самой постоянной величине:
                                          МС=С;
2  Постоянную величину можно выносить за оператор
    математического ожидания:
                                         МСξ=СМξ;
3  Математическое ожидание суммы случайных величин
    равно сумме математических ожиданий этих величин:

                       М(ξ + η)=Мξ + Мη :
4 Математическое ожидание произведения независимых случайных 
   величин равно произведению математическое ожиданий
   этих величин:
                           Мξη=Мξ*Мη.
Описание слайда:
Свойства математического ожилания 1 Математическое ожидание постоянной величины С равно самой постоянной величине: МС=С; 2 Постоянную величину можно выносить за оператор математического ожидания: МСξ=СМξ; 3 Математическое ожидание суммы случайных величин равно сумме математических ожиданий этих величин: М(ξ + η)=Мξ + Мη : 4 Математическое ожидание произведения независимых случайных величин равно произведению математическое ожиданий этих величин: Мξη=Мξ*Мη.

Слайд 25





Дисперсия случайной величины
Дисперсией случайной величины ξ называется число
                              Dξ=М(ξ – Мξ)2,
Которое является мерой рассеяния случайной значений
величины около ее математического ожидания.
После преобразования правой части получим второе
соотношение для дисперсии:
                               Dξ=Mξ2 – (Mξ)2.
Описание слайда:
Дисперсия случайной величины Дисперсией случайной величины ξ называется число Dξ=М(ξ – Мξ)2, Которое является мерой рассеяния случайной значений величины около ее математического ожидания. После преобразования правой части получим второе соотношение для дисперсии: Dξ=Mξ2 – (Mξ)2.

Слайд 26






Для дискретной ξ:

Для непрерывной ξ:
Описание слайда:
Для дискретной ξ: Для непрерывной ξ:

Слайд 27





Свойства дисперсии
1 Дисперсия положительная величина
                                         Dξ0;
2 Дисперсия постоянной величины равна нулю:
                                         DC=0;
3 Константу можно выносить за оператор дисперсии в 
   квадрате       
                                     DCξ=C2Dξ;
Описание слайда:
Свойства дисперсии 1 Дисперсия положительная величина Dξ0; 2 Дисперсия постоянной величины равна нулю: DC=0; 3 Константу можно выносить за оператор дисперсии в квадрате DCξ=C2Dξ;

Слайд 28






4 Дисперсия суммы и разности независимых случайных  величин равна сумме дисперсий этих величин :
                            D(ξ+η)=Dξ+Dη;
                     D(ξ-η)=Dξ+Dη;
5 Среднее квадратическое отклонение:
6 Дисперсия показывает средний квадрат разброса случайной величины относительно центра (математического ожидания).
Описание слайда:
4 Дисперсия суммы и разности независимых случайных величин равна сумме дисперсий этих величин : D(ξ+η)=Dξ+Dη; D(ξ-η)=Dξ+Dη; 5 Среднее квадратическое отклонение: 6 Дисперсия показывает средний квадрат разброса случайной величины относительно центра (математического ожидания).

Слайд 29





Моменты
Начальный момент К порядка:
                            k=Mξk,   1=Mξ;
Для дискретной ξ:
   
    Для непрерывной ξ:
Описание слайда:
Моменты Начальный момент К порядка: k=Mξk, 1=Mξ; Для дискретной ξ: Для непрерывной ξ:

Слайд 30






Центральный момент К порядка:
           μк=М(ξ-Мξ)к, μ1=0,  μ2=Dξ;
   Для дискретной ξ:



Для непрерывной ξ:
Описание слайда:
Центральный момент К порядка: μк=М(ξ-Мξ)к, μ1=0, μ2=Dξ; Для дискретной ξ: Для непрерывной ξ:

Слайд 31





Квантиль
Квантиль порядка Р для распределения F(x)
называется значение εР для которого
F(εР )=P.
Описание слайда:
Квантиль Квантиль порядка Р для распределения F(x) называется значение εР для которого F(εР )=P.

Слайд 32





Типовые законы распределения случайных величин
Биномиальный закон:

Проводится серия из “n”однородных и независимых опытов. А – событие успеха,
которое может появится в опыте. Случайная величина ξ – число успехов появления события А в серии из “n” опытов.
ξ – дискретная случайная величина и ее значения целые числа:
ξ=k; k=0,1,2,…, “n” .
Описание слайда:
Типовые законы распределения случайных величин Биномиальный закон: Проводится серия из “n”однородных и независимых опытов. А – событие успеха, которое может появится в опыте. Случайная величина ξ – число успехов появления события А в серии из “n” опытов. ξ – дискретная случайная величина и ее значения целые числа: ξ=k; k=0,1,2,…, “n” .

Слайд 33






Целочисленная случайная величина ξ подчинена биномиальному закону, если вероятности ряда распределения вычисляются по формуле Бернулли:




Математическое ожидание: Мξ=np;
    
    Дисперсия: D ξ=npq.
Описание слайда:
Целочисленная случайная величина ξ подчинена биномиальному закону, если вероятности ряда распределения вычисляются по формуле Бернулли: Математическое ожидание: Мξ=np; Дисперсия: D ξ=npq.

Слайд 34





Закон Пуассона
ξ – дискретная случайная величина, которая принимает целые неотрицательные значения:
           k=0,1,2,…,k,…,
последовательность этих значений не ограничена n→∞, p→0 так, что np=const.
 Случайная величина ξ подчинена закону Пуассона, если вероятности ряда распределения вычисляются по формуле Пуассона :



Математическое ожидание Mξ=a;
    Дисперсия Dξ=a.
Описание слайда:
Закон Пуассона ξ – дискретная случайная величина, которая принимает целые неотрицательные значения: k=0,1,2,…,k,…, последовательность этих значений не ограничена n→∞, p→0 так, что np=const. Случайная величина ξ подчинена закону Пуассона, если вероятности ряда распределения вычисляются по формуле Пуассона : Математическое ожидание Mξ=a; Дисперсия Dξ=a.

Слайд 35





Равномерное распределение
Непрерывная случайная величина ξ распределена по равномерному закону, если плотность распределения имеет вид:






 Равномерное распределение применяется при определении ошибок вычислений (измерений).
Датчик случайных чисел в ЭВМ.
Описание слайда:
Равномерное распределение Непрерывная случайная величина ξ распределена по равномерному закону, если плотность распределения имеет вид: Равномерное распределение применяется при определении ошибок вычислений (измерений). Датчик случайных чисел в ЭВМ.

Слайд 36





Функция распределения





Математическое ожидание: Мξ=(в+а)/2;

Дисперсия:                         Dξ=(b-a)2/12.
Описание слайда:
Функция распределения Математическое ожидание: Мξ=(в+а)/2; Дисперсия: Dξ=(b-a)2/12.

Слайд 37





Закон экспоненциального распределения
Непрерывная случайная величина ξ распределена по экспоненциальному закону, если плотность вероятностей задана формулой:




Применяется при расчете надежности различных технических систем.
Описание слайда:
Закон экспоненциального распределения Непрерывная случайная величина ξ распределена по экспоненциальному закону, если плотность вероятностей задана формулой: Применяется при расчете надежности различных технических систем.

Слайд 38





Функция распределения




Математическое ожидание:   Мξ=1/λ;

Дисперсия:                               Dξ=1/λ2.
Описание слайда:
Функция распределения Математическое ожидание: Мξ=1/λ; Дисперсия: Dξ=1/λ2.

Слайд 39





Закон нормального распределения
(закон Гаусса)
Плотность вероятностей:




Функция распределения:





Математическое ожидание:      Мξ=а;
Дисперсия:                                  Dξ=σ2.
Описание слайда:
Закон нормального распределения (закон Гаусса) Плотность вероятностей: Функция распределения: Математическое ожидание: Мξ=а; Дисперсия: Dξ=σ2.

Слайд 40





Интеграл вероятностей 




Интеграл вероятностей есть функция распределения Гауссовской случайной величины Z:
            MZ=0; DZ=1; F(-∞)=0; F(0)=0.5; F(∞)=1;
    F(-z)=1 – F(z)
Описание слайда:
Интеграл вероятностей Интеграл вероятностей есть функция распределения Гауссовской случайной величины Z: MZ=0; DZ=1; F(-∞)=0; F(0)=0.5; F(∞)=1; F(-z)=1 – F(z)

Слайд 41





Локальная теорема Муавра-Лапласа
При неограниченном увеличении числа испытаний “n” формула Бернулли сводится к формуле Гаусса:





   
Формула справедлива для всех 0<р<1 и 0kn.
Описание слайда:
Локальная теорема Муавра-Лапласа При неограниченном увеличении числа испытаний “n” формула Бернулли сводится к формуле Гаусса: Формула справедлива для всех 0<р<1 и 0kn.

Слайд 42





Интегральная теорема Муавра-Лапласа
  При неограниченном увеличении числа испытаний “n”
вероятность попадания случайной на заданный интервал (a,b] равна






где F(z) – интеграл вероятностей.
Описание слайда:
Интегральная теорема Муавра-Лапласа При неограниченном увеличении числа испытаний “n” вероятность попадания случайной на заданный интервал (a,b] равна где F(z) – интеграл вероятностей.

Слайд 43





Системы случайных величин
Совокупность нескольких случайных величин, рассматриваемых совместно называется системой случайных величин:
                      {ξ1 ,ξ 2  ,ξ 3, ξn}.
 Система двух случайных величин {ξ,η} изображается на плоскости в виде вектора; каждой точки соответствует единственный вектор
Описание слайда:
Системы случайных величин Совокупность нескольких случайных величин, рассматриваемых совместно называется системой случайных величин: {ξ1 ,ξ 2 ,ξ 3, ξn}. Система двух случайных величин {ξ,η} изображается на плоскости в виде вектора; каждой точки соответствует единственный вектор

Слайд 44





Законы распределения системы
Таблица распределения является формой записи закона распределения системы дискретной случайной величины:
    Pij=P(ξ=xi, η=yj);
Описание слайда:
Законы распределения системы Таблица распределения является формой записи закона распределения системы дискретной случайной величины: Pij=P(ξ=xi, η=yj);

Слайд 45





Функция распределения системы
                  F(x,y)=P(ξ<x, η<y);
Для непрерывной системы случайных величин:




f(x,y) – плотность распределения системы случайных величин.
Описание слайда:
Функция распределения системы F(x,y)=P(ξ<x, η<y); Для непрерывной системы случайных величин: f(x,y) – плотность распределения системы случайных величин.

Слайд 46





Плотность системы случайных величин




     Свойства плотности вероятностей системы
1 Плотность системы неотрицательная функция
                                  f(x,y)0;
2 Плотность системы нормирована на единицу:
Описание слайда:
Плотность системы случайных величин Свойства плотности вероятностей системы 1 Плотность системы неотрицательная функция f(x,y)0; 2 Плотность системы нормирована на единицу:

Слайд 47






Вероятность попадания системы в область D:
Описание слайда:
Вероятность попадания системы в область D:

Слайд 48





Дисперсия системы
  Дисперсия системы определяется по законам отдельных составляющих системы:







   
  Среднее квадратическое отклонение характеризует    рассеивание системы относительно центра    (математического ожидания).
Описание слайда:
Дисперсия системы Дисперсия системы определяется по законам отдельных составляющих системы: Среднее квадратическое отклонение характеризует рассеивание системы относительно центра (математического ожидания).

Слайд 49





Корреляционный момент
    Корреляционный момент есть математическое ожидание центрированной системы:






    Для дискретной системы:
Описание слайда:
Корреляционный момент Корреляционный момент есть математическое ожидание центрированной системы: Для дискретной системы:

Слайд 50





Для непрерывной системы:



х,у – возможные значения ξ, η;
f(x,y) – плотность вероятностей системы.
  Геометрически Кξη показывает величину отклонения системы от центра. Если Кξη ≠0, то система коррелированна. Если Кξη =0, то система не коррелированна. Из независимости системы вытекает некоррелированность, обратное может быть и неверно.
Описание слайда:
Для непрерывной системы: х,у – возможные значения ξ, η; f(x,y) – плотность вероятностей системы. Геометрически Кξη показывает величину отклонения системы от центра. Если Кξη ≠0, то система коррелированна. Если Кξη =0, то система не коррелированна. Из независимости системы вытекает некоррелированность, обратное может быть и неверно.

Слайд 51





Свойства корреляционного момента
Корреляционный момент симметричен:
                            Кξη = К ηξ;
     Кξξ = Dξ; Кξξ = M(x-Mξ)(x-Mξ)=Dξ;
     Kηη= Dη; Kηη= M(y-Mη)(y-Mη)=Dη;
Совокупность всех корреляционных моментов, расположенных в квадратной таблице называется корреляционной матрицей системы:
Описание слайда:
Свойства корреляционного момента Корреляционный момент симметричен: Кξη = К ηξ; Кξξ = Dξ; Кξξ = M(x-Mξ)(x-Mξ)=Dξ; Kηη= Dη; Kηη= M(y-Mη)(y-Mη)=Dη; Совокупность всех корреляционных моментов, расположенных в квадратной таблице называется корреляционной матрицей системы:

Слайд 52





Коэффициент корреляции
 
 Наличие размерности у корреляционного момента вызывает неудобства, поэтому вместо корреляционного момента используют коэффициент корреляции:
Описание слайда:
Коэффициент корреляции Наличие размерности у корреляционного момента вызывает неудобства, поэтому вместо корреляционного момента используют коэффициент корреляции:

Слайд 53






   Коэффициент корреляции обладает свойствами корреляционного момента:
показывает меру линейной связи между случайными величинами:
rξη = 0, если ξ,η некоррелированные случайные величины;
коэффициент корреляции системы симметричен: rξη = rηξ;
/ rξη /1;  (1 – максимальное значение);
  Совокупность всех коэффициентов корреляции в виде таблице образуют нормированную корреляционную матрицу системы:
Описание слайда:
Коэффициент корреляции обладает свойствами корреляционного момента: показывает меру линейной связи между случайными величинами: rξη = 0, если ξ,η некоррелированные случайные величины; коэффициент корреляции системы симметричен: rξη = rηξ; / rξη /1; (1 – максимальное значение); Совокупность всех коэффициентов корреляции в виде таблице образуют нормированную корреляционную матрицу системы:

Слайд 54





Условное математическое ожидание;
линейная регрессия
Для дискретной ξ:




Для непрерывной ξ :




Функция регрессии показывает среднее значение η на ξ. С помощью регрессии осуществляется наилучший прогноз η по ξ.
Описание слайда:
Условное математическое ожидание; линейная регрессия Для дискретной ξ: Для непрерывной ξ : Функция регрессии показывает среднее значение η на ξ. С помощью регрессии осуществляется наилучший прогноз η по ξ.

Слайд 55






 В практике функция регрессии относится к линейной:
                             φ(х)=β0 + β1х;
   β0, β1 – параметры – коэффициенты регрессии.
Коэффициенты регрессии подбирают так, чтобы обеспечить минимум среднего разброса η относительно прямой регрессии (метод наименьших квадратов):
вводится уклонение η относительно прямой регрессии:
                        Δ = (у – (β0 + β1х)): 
находим дисперсию:
                  Δ2(β0, β1) = М(у – (β0 + β1х)) 2 min→ β0, β1 :
после преобразования получим:
       φ(х)=β0 + β1х = Мη + rξη∙ση/σξ∙(x - Mξ).
Описание слайда:
В практике функция регрессии относится к линейной: φ(х)=β0 + β1х; β0, β1 – параметры – коэффициенты регрессии. Коэффициенты регрессии подбирают так, чтобы обеспечить минимум среднего разброса η относительно прямой регрессии (метод наименьших квадратов): вводится уклонение η относительно прямой регрессии: Δ = (у – (β0 + β1х)): находим дисперсию: Δ2(β0, β1) = М(у – (β0 + β1х)) 2 min→ β0, β1 : после преобразования получим: φ(х)=β0 + β1х = Мη + rξη∙ση/σξ∙(x - Mξ).



Похожие презентации
Mypresentation.ru
Загрузить презентацию