1. Что такое функция распределения вероятностей (ф. р. в.

) F(t)и плотность распределения

вероятностей (п. р. в) f(t) случайной величины? Поясните вероятностный смысл каждой из этих
функций.
Пусть x ∈ . Функцией распределения случайной величины X называется функция F ( x) , которая равна
вероятности того, что случайная величина в результате испытания примет значение, меньшее x :
F ( x )=P ( X < x ) , где x ∈.
Плотностью распределения (плотностью вероятностей) непрерывной случайной величины X в
точке x называется предел отношения вероятности попадания случайной величины в промежуток
[ x ; x+ ∆ x ] к длине промежутка ∆ x при стремлении последнего к нулю:
P(x < X < x + ∆ x )
f ( x )= lim .
∆ x →0 ∆x

2. Запишите формальные соотношения, выражающие п. р. в. f(t) через ф. р. в. F(t) и, наоборот,

F(t) через f(t) для любой непрерывной с. в.
Функция распределения F (х) для непрерывной случайной величины имеет вид:
X
F ( x )= ∫ f ( x)dx ,
−∞
где f (x) – плотность распределения вероятности.
Функция распределения связана с плотностью формулой:
dF ( x)
f ( x )= =F ' ( x ) ,
dx
где F (x) – функция распределения вероятности.

3. Какой вид имеют ф. р. в. и п.р. в. идеальной (математической) БСВ?

Идеальная базовая случайная величина - равномерное распределение (непрерывное по определению
БСВ).
Непрерывное равномерное распределение в теории вероятностей - распределение случайной
вещественной величины, принимающей значения, принадлежащие некоторому промежутку конечной
длины, характеризующееся тем, что плотность вероятности на этом промежутке почти
всюду постоянна.

Плотность вероятности

Функция распределения
1

{
f X ( x )= b−a
, x ∈[a , b]
0 , x ∉[a , b]
.−плотность вероятности
 0 , x <a

{
F X ( x ) ≡ P ( X ≤ x ) = x−a , a ≤ x <b −функция распределения
b−a
1 , x ≥b

4. Почему числа z1, z2, … на выходе датчика БСВ называют псевдослучайными

Заданное значение 𝑧0 полностью определяет посредством формулы 𝑧𝑖+1=𝑓(𝑧𝑖) всю
последовательность 𝑧1,𝑧2,𝑧3, … , поэтому величину 𝑧 на выходе датчика БСВ называют
псевдослучайной величиной. В практическом применении датчиков БСВ статистические свойства
псевдослучайной последовательности чисел в широких пределах идентичны свойствам «чисто
случайной» последовательности.

5. Каким основным двум требованиям должна отвечать последовательность z1, z2, …, zi, … на
выходе датчика, чтобы быть хорошей моделью идеальной БСВ?
1) Равномерность распределения чисел, выдаваемых датчиком на интервале (0, 1). То есть числа
z1,z2,…zi,… должны быть равномерно распределены;
2) Они должны быть статистически независимы. А простейшую проверку статистической
независимости БСВ можно осуществить, оценивая линейную корреляцию между
числами zi и zi+s, отстоящими друг от друга в псевдослучайной последовательности на
фиксированный шаг s ≥1.
Можно посчитать линейную оценку корреляции по этой формуле (в лабе мы это в конце
делали):
n−s
1
R =12
^
(
∑ z z −3
n−s i=1 i i+s )
(По сути нужно ответить только первое предложение этого пункта, остальное если спросит.)

6. Какими рекомендациями следует пользоваться при выборе параметров m и k

мультипликативного конгруэнтного датчика БСВ?
m - модуль, должен быть большим простым числом, k - множитель, должен быть большим целым
числом

7. Почему мультипликативный конгруэнтный датчик БСВ неизбежно выдаёт периодическую

последовательность z1, z2, …, zi, …? Какова максимально возможная длина периода T при
заданных модуле m и множителе k
𝐴𝑖 = (𝑘𝐴𝑖–1) 𝑚𝑜𝑑 𝑚, i = 1, 2, ..., (1.5) 𝑧𝑖 = 𝐴𝑖/𝑚, где m – модуль, k – множитель, 𝐴0 – начальное
значение, mod – операция вычисления остатка от деления 𝑘𝐴𝑖–1 на m. 13 Таким образом, 𝐴1
определяется как остаток от деления 𝑘𝐴0 на m; 𝐴2 – как остаток от деления 𝑘𝐴1 на m и т.д. Поскольку
все числа 𝐴𝑖 – это остатки от деления на m, то 0 ≤ 𝐴𝑖< 𝑚. Разделив последнее неравенство на m, видим,
что 0 £ 𝐴𝑖/𝑚 < 1, т.е. 0 £ 𝑧𝑖 < 1. Из неравенства 0 ≤ 𝐴𝑖< 𝑚 вытекает также, что датчик (1.5) дает
периодическую последовательность 𝐴𝑖
T ≤ m – 1. Чтобы длина периода T была максимальной, модуль m берут близким к максимальному
представимому в компьютере целому числу. Для упрощения операций деления и вычисления остатков
в двоичных ЭВМ часто берут 𝑚 = 2𝑛 . Рекомендуется также брать достаточно большой множитель k,
причем взаимно простой с m.

8. Докажите, исходя из представления (2.2), что если Ai ≠ AN для всех i < N, то все числа z1, …, zN
разные.
Если же совпадения Ai = A0 не обнаружится, то это еще не значит, что Т > 10000, так как
последовательность А0, А1, ... в общем случае имеет формат вида
a, b, ..., d, e, ..., g, e, ..., g, ..., e, ..., g, …, (2.2)
т. е. может иметь наряду с периодом e, ..., g ещё и начальную непериодическую часть a, b, ..., d,
включающую число A0 = a. С учётом формата (2.2) для правильной оценки длины периода следует
также проверить (для всех i = 1, ..., 9999) число совпадений вида Аi = A10000. Хотя и отсутствие
такого совпадения ещё не докажет, что Т > 10000 (ибо не исключено, что длина начальной
непериодической части может оказаться больше десяти тысяч), но это, по крайней мере, гарантирует,
что все числа А0, ..., А10000 (и, следовательно, все числа z1, ..., z10000) разные.

9. Как можно вычислить вероятность интервала p(a, b) = P{a≤x≤b}, если известна п. р. в. f(t)
случайной величины х?
В сущности, равномерное распределение - самое простое из семейства непрерывных, и определяется
тем, что плотность распределения постоянна (равна константе) на всем
1
интервале:  f ( x )=c= , x ∈(a ; b) (а вне его равна нулю):
b−a
0,x ≤a

{
f ( x )= 1 , a< x <b ,
b−a
0 , x >b ,
Функция распределения для нее вычисляется практически в уме:
0, x≤a

{
F ( x )= x −a ,a< x ≤ b ,
b−a
1 , x>b ,
Для равномерного на интервале (a;b) распределения известны формулы для числовых характеристик.
M X
a−b (b−a)2
Математическое ожидание  ( ) = , дисперсия  D ( X )= , среднее квадратическое
2 12
b−a
отклонение σ ( X )= .
2 √3

10. Выведите формулу для определения вероятности р(а, b) попадания базовой случайной
величины в интервал (а, b).
Пусть проводится последовательность n независимых испытаний. Независимость испытаний
подразумевает, что условия испытания каждый раз восстанавливаются после каждого его проведения.
В каждом из проводимых испытаний событие A может наступить с вероятностью p и не наступить с
вероятностью q= 1 - p . Такая последовательность испытаний называется схемой Бернулли.
Обозначим через Pn (m)вероятность того, что в схеме Бернулли из n испытаний событие A наступит
ровно m раз (0 ≤ m ≤ n). Тогда имеет место формула Бернулли:
Pn ( m )=C mn ∗pm∗q n−m m=0,1, … , n .
Целое число k (0 ≤k ≤ n) называется наивероятнейшим числом наступлений события в схеме
Бернулли, если Pn ( k ) ≥ Pn ( m )для всех m = 0, 1, ... , n. Число k определяется из неравенств
np−q ≤ k ≤ np+ p
Если в схеме Бернулли число испытаний n велико, то для вычисления вероятности того, что
интересующее нас событие появится не менее m1 и не более m2 раз, можно использовать интегральную
формулу Муавра – Лапласа:
m −np m −np

x 2
( ) (
Pn ( m1 ≤ m≤ m2 ) ≈ Ф 2
√npq )
−Ф 1
√ npq
−t
1
Где Ф(x)= ∫ e 2 dt – функция Лапласа.
√2 π 0
Свойства функции Лапласа:
1) Ф(-x)= -Ф(x);
2) При |x|≥5 можно принять | Ф(x)|=0,5.

11. Как можно вычислить м. о. случайной величины по её п. р. в? Вычислите м.о. БСВ по её

п.р.в.
Математическое ожидание непрерывной случайной величины равно
∞
M ( X )= ∫ xf ( x ) dx
−∞
(f(x) - плотность распределения вероятности, т. е. производная от функции распределения
вероятности)

12. Как вычислить дисперсию случайной величины по её п. р. в? Вычислите дисперсию БСВ по

её п. р. в.
13. Выведите формулу для вычисления начального момента k-го порядка базовой случайной
величины.
1
M( z k ) = , (k = 1, 2, …).
k +1

14. Дайте определение статистической независимости с. в. Укажите необходимые и достаточные

условия такой независимости.
Отсутствие связи между переменными. Независимость двух непрерывных переменных часто
ошибочно отождествляют с равенством нулю их корреляции
Как необходимое и достаточное: плотность распределения системы независимых случайных
величин равна произведению плотностей распределения отдельных величин, входящих в систему.

15. Вытекает ли из равенства коэффициента корреляции нулю p(x, y) = 0 статистическая

независимость с. в. х и у?
Коэффициент корреляции двух с. в. характеризует степень линейной зависимости между ними.
Поэтому с ростом длины выборки n оценка R̂ (оценка коэффициента корреляции ) должна
приближаться к нулю (т. е. должно быть R(x, y) = 0, линейная зависимость
должна отсутствовать). В противном случае случайные величины не отвечает требованию
независимости. В то же время, если R(x,y) = 0(коэффициент корреляции), то это еще не гарантирует
независимости случайных чисел. Но все же один из тестов – тест на линейную зависимость – можно
считать успешно пройденным.

16. Вытекает ли из статистической независимости величин независимость функциональная?

Вытекает ли из функциональной зависимости величин их статистическая зависимость
Вытекает ли из статистической независимости независимость функциональная? (Ответ: Да) Вытекает
ли из функциональной зависимости величин их статистическая зависимость (Ответ: Нет).
Функциональная зависимость — когда каждому значению одной переменной соответствует вполне
определенное значение другой.
Статистическая зависимость - каждому значению одной переменной соответствует определенное
(условное) распределение другой переменной.
Т.е. когда каждому значению одной переменной соответствует не какое-то определенное, а множество
возможных значений другой переменной.
Следовательная статистическая зависимость является более общей, чем функциональная

17. Как вычислить коэффициент корреляции случайных величин х, у, если дана их совместная
п. р.в. f(t, t2)?

r xy =
∑ ( x i−x средн ) ( y i− y средн )
√ ∑ ( x i−x средн )2∗∑ ( y i− y средн )2
то есть идет сравнение 2 столбцов
x – первый, у – второй

18. В каких пределах может находиться значение коэффициента корреляции? Каково его
значение в случае независимости величин х, у? Каково его значение, если x, y линейно
зависимы? Какую информацию о зависимости величин x, y дает знак коэффициента
корреляции?
От -1 до +1. При независимости величин x, y значение коэффициента корреляции 0. В случае, если x, y
линейно зависимы, то модуль коэффициента корреляции равен 1. Если коэффициент корреляции
больше 0, то между x, y имеется прямая корреляционная связь: чем выше значение одной, тем выше
значение другой. Если коэффициент корреляции меньше 0, то между x, y имеется обратная
корреляционная связь: чем выше значение одной, тем ниже значение другой.