Создай список формул для решения задач по теории вероятности и математической статистики
- User
Создай список формул для решения задач по теории вероятности и математической статистики
- 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.
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.