Skip to content
TheChatArchiveThe Chat Archive
o3-mini· OpenAIHugging Face LMArena Human Preference 140K

Создай список формул для решения задач по теории вероятности и математической статистики

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with grok-3-mini-high’s answer.
  1. User

    Создай список формул для решения задач по теории вероятности и математической статистики

  2. Assistant

    Ниже представлен перечень основных формул и соотношений, часто используемых при решении задач по теории вероятностей и математической статистике.


    1. Комбинаторика

    Перестановки:
    [ P(n) = n! ]

    Сочетания (бес учёта порядка):
    [ C_n^k = \binom{n}{k} = \frac{n!}{k!(n-k)!} ]

    Размещения (с учётом порядка):
    [ A_n^k = \frac{n!}{(n-k)!} ]


    2. Элементарные определения вероятности

    Классическое определение вероятности:
    Если все элементарные исходы равновероятны, то вероятность события ( A ) определяется как [ P(A) = \frac{\text{число благоприятных исходов}}{\text{общее число исходов}}. ]


    3. Условная вероятность и независимость

    Условная вероятность:
    Если ( P(B) > 0 ), то вероятность события ( A ) при условии наступления ( B ) равна [ P(A \mid B) = \frac{P(A \cap B)}{P(B)}. ]

    Формула умножения (правило произведения):
    [ P(A \cap B) = P(B) \cdot P(A \mid B) = P(A) \cdot P(B \mid A). ]

    Независимость событий:
    События ( A ) и ( B ) называются независимыми, если
    [ P(A \cap B) = P(A) \cdot P(B) ] или эквивалентно,
    [ P(A \mid B) = P(A) \quad \text{и} \quad P(B \mid A) = P(B). ]


    4. Формула полной вероятности и формула Байеса

    Формула полной вероятности:
    Пусть ( B_1, B_2, \dots, B_n ) – полная группа несовместных событий (разбивка выборки), т.ч. ( \bigcup_{i=1}^n B_i = \Omega ) и ( P(B_i) > 0 ) для всех ( i ). Тогда для любого события ( A ) справедливо: [ P(A) = \sum_{i=1}^n P(A \mid B_i) , P(B_i). ]

    Формула Байеса:
    Для пересчёта априорной вероятности ( P(B_i) ) в апостериорную ( P(B_i \mid A) ): [ P(B_i \mid A) = \frac{P(A \mid B_i) , P(B_i)}{\sum_{j=1}^n P(A \mid B_j) , P(B_j)}. ]


    5. Случайные величины и их характеристики

    5.1 Дискретная случайная величина

    Математическое ожидание (среднее значение):
    [ E[X] = \sum_i x_i , P(X=x_i) ]

    Дисперсия:
    [ \operatorname{Var}(X) = E\left[(X - E[X])^2\right] = \sum_i (x_i - E[X])^2, P(X = x_i) ]

    5.2 Непрерывная случайная величина

    Математическое ожидание:
    [ E[X] = \int_{-\infty}^{+\infty} x, f(x) , dx, ] где ( f(x) ) — функция плотности вероятности.

    Дисперсия:
    [ \operatorname{Var}(X) = \int_{-\infty}^{+\infty} (x - E[X])^2, f(x) , dx. ]


    6. Функция распределения и функция плотности

    Функция распределения (F(x))
    Для случайной величины ( X ): [ F(x) = P(X \le x). ]

    Функция плотности (для непрерывной случайной величины):
    Если функция ( F(x) ) дифференцируема, то [ f(x) = \frac{dF(x)}{dx}. ]


    7. Ковариация и коэффициент корреляции

    Ковариация двух случайных величин ( X ) и ( Y ):
    [ \operatorname{Cov}(X,Y) = E\left[(X - E[X])(Y - E[Y])\right]. ]

    Коэффициент корреляции (Пирсона):
    [ \rho_{XY} = \frac{\operatorname{Cov}(X,Y)}{\sigma_X \sigma_Y}, ] где ( \sigma_X = \sqrt{\operatorname{Var}(X)} ) и ( \sigma_Y = \sqrt{\operatorname{Var}(Y)} ).


    8. Характеристические функции и момент-генерирующая функция

    Момент-генерирующая функция (МГФ):
    [ M_X(t) = E\left[e^{tX}\right]. ]

    Характеристическая функция:
    [ \varphi_X(t) = E\left[e^{itX}\right], \quad t \in \mathbb{R}. ]


    9. Основные неравенства

    Неравенство Чебышёва:
    Для любой случайной величины ( X ) с конечной дисперсией: [ P(|X - E[X]| \ge k) \le \frac{\operatorname{Var}(X)}{k^2}, \quad k > 0. ]


    10. Основные законы распределения

    Биномиальное распределение:
    Если ( X ) — число успехов в ( n ) независимых испытаниях с вероятностью успеха ( p ), то [ P(X = k) = \binom{n}{k} p^{,k} (1-p)^{,n-k}, \quad k = 0, 1, \dots, n. ]

    Пуассоновское распределение:
    [ P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!}, \quad k = 0, 1, 2, \dots, ] где (\lambda > 0) — параметр распределения.

    Нормальное распределение:
    Плотность нормального распределения с параметрами ( \mu ) и ( \sigma ): [ f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{ -\frac{(x-\mu)^2}{2\sigma^2} }. ]

    Экспоненциальное распределение:
    Плотность экспоненциального распределения с параметром ( \lambda > 0 ): [ f(x) = \lambda e^{-\lambda x}, \quad x \ge 0. ]


    11. Основные предельные теоремы

    Центральная предельная теорема (ЦПТ):
    Пусть ( X_1, X_2, \dots, X_n ) — независимые одинаково распределённые случайные величины с конечными ( E[X_i] = \mu ) и ( \operatorname{Var}(X_i) = \sigma^2 ). Тогда распределение стандартизированной суммы [ S_n = \frac{\sum_{i=1}^n X_i - n\mu}{\sigma\sqrt{n}} ] при ( n \to \infty ) сходится по распределению к стандартному нормальному распределению ( N(0,1) ).


    Эти формулы представляют собой базовый набор инструментов для решения широкого спектра задач по теории вероятностей и математической статистике. В зависимости от конкретной задачи могут использоваться и другие, более специализированные соотношения и методы.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.