Презентация на тему Некоторые понятия теории вероятностей и математической статистики

при многократном повторении случайного эксперимента частота наступления события служит

оценкой его вероятности.
Случайное событие, которое никогда не реализуется в результате случайного эксперимента, называется невозможным и обозначается символом Ø. Случайное событие, которое всегда реализуется в результате случайного эксперимента, называется достоверным и обозначается символом ω.

по вероятностям одних событий позволяет оценивать вероятности других событий,

связанных с первыми.
Подтверждением того, что понятие «вероятность события» не имеет определения, является тот факт, что в теории вероятностей существует несколько подходов к объяснению этого понятия:
Классическое определение вероятности случайного события.
Вероятность события равна отношению числа благоприятных событию исходов опыта к общему числу исходов опыта.
 


, где
m - число благоприятных исходов опыта;
n - общее число исходов опыта.

, если при этом исходе опыта появилось событие .

Например, если событие - появление карты красной масти, то появление туза бубей – исход, благоприятный событию.
 
Примеры.
1)     Вероятность выпадения 5 очков на грани кубика равна 1/6, поскольку кубик может упасть любой из 6 граней кверху, а 5 очков находятся только на одной грани.
2)     Вероятность выпадения герба при однократном бросании монеты – 1/2, поскольку монета может упасть гербом или решкой – два исхода опыта, а герб изображен лишь на одной стороне монеты.
3)     Если в урне 12 шаров, из которых 5 – черные, то вероятность вынуть черный шар – 5/12, поскольку всего исходов опыта – 12, а благоприятных из них - 5
Замечание. Классическое определение вероятности применимо при двух условиях:
1)            все исходы опыта должны быть равновероятными;
2)            опыт должен иметь конечное число исходов.

в результате опыта одно из множества значений, причём появление

того или иного значения этой величины до её измерения нельзя точно предсказать.
Случайные величины могут принимать дискретные, непрерывные и дискретно-непрерывные значения. Соответственно случайные величины классифицируют на дискретные, непрерывные и дискретно-непрерывные (смешанные).
На схеме испытаний может быть определена как отдельная случайная величина (одномерная/скалярная), так и целая система одномерных взаимосвязанных случайных величин (многомерная/векторная).
Пример смешанной случайной величины — время ожидания при переходе через автомобильную дорогу в городе на нерегулируемом перекрёстке.
В бесконечных схемах (дискретных или непрерывных) уже изначально элементарные исходы удобно описывать количественно. Например, номера градаций типов несчастных случаев при анализе ДТП; время безотказной работы прибора при контроле качества и т. п.

не обязательно отдельные элементарные исходы в схеме испытаний, но

и соответствовать каким-то более сложным событиям.
С одной стороны, с одной схемой испытаний и с отдельными событиями в ней одновременно может быть связано сразу несколько числовых величин, которые требуется анализировать совместно.
Например, координаты (абсцисса, ордината) какого-то разрыва снаряда при стрельбе по наземной цели; метрические размеры (длина, ширина и т. д.) детали при контроле качества; результаты медобследования (температура, давление, пульс и пр.) при диагностике больного; данные переписи населения (по возрасту, полу, достатку и пр.).
Поскольку значения числовых характеристик схем испытания соответствуют в схеме некоторым случайным событиям (с их определёнными вероятностями), то и сами эти значения являются случайными (с теми же вероятностями). Поэтому такие числовые характеристики и принято называть случайными величинами. При этом расклад вероятностей по значениям случайной величины называется законом распределения случайной величины.

признака, которое разделяет ранжированный ряд распределения на две равные

части — со значениями признака меньше медианы и со значениями признака больше медианы. Для нахождения медианы, нужно отыскать значение признака, которое находится на середине упорядоченного ряда.
Предположим, что в одной комнате оказалось 19 бедняков и один миллиардер. Каждый кладёт на стол деньги — бедняки из кармана, а миллиардер — из чемодана. По $5 кладёт каждый бедняк, а миллиардер — $1 млрд (109). В сумме получается $1 000 000 095. Если мы разделим деньги равными долями на 20 человек, то получим $50 000 004,75. Это будет среднее арифметическое значение суммы наличных, которая была у всех 20 человек в этой комнате.
Медиана в этом случае будет равна $5 (полусумма десятого и одиннадцатого, срединных значений ранжированного ряда). Можно интерпретировать это следующим образом. Разделив нашу компанию на две равные группы по 10 человек, мы можем утверждать, что в первой группе каждый положил на стол не больше $5, во второй же не меньше $5. В общем случае можно сказать, что медиана это то, сколько принёс с собой средний человек. Наоборот, среднее арифметическое — неподходящая характеристика, так как оно значительно превышает сумму наличных, имеющуюся у среднего человека.

наблюдений, которое встречается наиболее часто. Случайная величина может не

иметь моды. Иногда в совокупности встречается более чем одна мода (например: 2, 6, 6, 6, 8, 9, 9, 9, 10; мода = 6 и 9). В этом случае можно сказать, что совокупность мультимодальна. Из структурных средних величин только мода обладает таким уникальным свойством. Как правило мультимодальность указывает на то, что набор данных не подчиняется нормальному распределению.
Мода как средняя величина употребляется чаще для данных, имеющих нечисловую природу. Среди перечисленных цветов автомобилей — белый, черный, синий металлик, белый, синий металлик, белый — мода будет равна белому цвету. При экспертной оценке с её помощью определяют наиболее популярные типы продукта, что учитывается при прогнозе продаж или планировании их производства.

случайных величин, X и Y, безразлично, определяется ли она

некоторой причинной связью или просто случайным совпадением (ложной К.). Для того чтобы определить эту зависимость, рассмотрим новую случайную величину — произведение отклонения значений x от его среднего Mx и отклонения y от своего среднего My. Можно вычислить среднее значение новой случайной величины:
rxy = M {(x – Mx) (y – My)}.
Это среднее получило название корреляционной функции, или ковариации. На ее основе (делением на корень из произведения дисперсий σ2x, σ2y, т. е. на произведение стандартных отклонений) строится коэффициент К.:


При нелинейной зависимости аналогичный показатель носит название индекса К.
Если x и y независимы, то Rxy = 0. Если же x и y зависимы, то обычно Rxy ≠ 0. Причем в тех случаях, когда зависимость полная, то либо Rxy = 1 (x и y растут или уменьшаются одновременно), либо Rxy = –1 (при увеличении одной из них другая уменьшается). Следовательно, коэффициент К. может изменяться от –1 до +1.