Вариант 1 №1 (Вариант 9 №1)

Размещения.

Утверждение. Число различных способов, которыми можно произвести последовательный выбор

𝑘 элементов без возвращения из совокупности объема 𝑛 , равно

По правилу умножения общее число способов выбора 𝑘 элементов будет равно

Перестановки

Утверждение. Число размещений без повторений будет равно

Сочетания.

Утверждение. Число различных способов, которыми можно произвести одновременный

неупорядоченный выбор 𝑘 элементов из совокупности объема 𝑛, равно

Размещения с повторениями.

Утверждение. Число размещений с повторениями будет равно

Вариант 1 №2 (Вариант 3 №2)
Полная вероятность

Утверждение. Вероятность события А при наличии гипотез вычисляется как сумма произведений
вероятности каждой гипотезы на условную вероятность события при этой гипотезе

𝑃(𝐴) = ∑ 𝑃(𝐻𝑖 )𝑃(𝐴|𝐻𝑖 ) 𝑛 𝑖=1 .

При решении подобных задач часто используют «дерево вероятностей». Вероятности гипотез –
основные ветви дерева, которые в свою очередь разветвляются на условные вероятности (рис. 2).
Для нахождения вероятности события А вероятности, стоящие на одной ветви и ее продолжении,
перемножаются, а полученные произведения складываются.

Вариант 1 №5
Если случайные величины находятся в стохастической зависимости, то с изменением одной из них
другая не изменяется строго определенным образом, например, растет, а всего лишь имеет к
этому тенденцию, т.е. принимает случайные значения, из которых можно заключить, что ее
значения увеличиваются.

Под корреляционной (стохастической) связью понимается – неполная зависимость между

показателями. Она проявляется только в массе наблюдений. Значит, парная корреляция – это
связь между двумя показателями, один из которых является результативным, а другой –
факторным.

Коэффициент корреляции не исчерпывает все виды связи между случайными величинами и

является лишь мерой линейной зависимости.

Коэффициентом корреляции случайных величин ξ и η с конечными и ненулевыми дисперсиями

называется величина

Вариант 1 №6
Метод максимального правдоподобия (ММП)

Функцией правдоподобия 𝐿(𝑥1, 𝑥2, … , 𝑥𝑛, 𝜃) называется произведение плотностей вероятностей

для непрерывной случайной величины или произведение вероятностей для дискретной
случайной величины
Утверждение ММП. Оценка 𝜃̂, полученная методом максимального правдоподобия, при
достаточно общих условиях является состоятельной, асимптотически несмещенной,
асимптотически эффективной и асимптотически нормальной оценкой 𝜃

Вариант 2 №1 (Вариант 4 №1)

Достоверное и невозможное события. Все пространство элементарных исходов (элементарных
событий) представляет собой событие, которое произойдет всегда. Это достоверное событие (что-
нибудь да выпадет). А вот цифру 7, например, сколько бы мы ни бросали кубик, мы не увидим.
Это невозможное элементарное событие.

Элементарное событие назовем случайным, если оно может произойти в результате опыта, а
может и не реализоваться.

Два элементарных события назовем несовместными или непересекающимися, если они не могут
произойти одновременно.

Событие называется дополнительным к рассматриваемому событию, если вместе они образуют

достоверное событие.

Вариант 2 №2 (Вариант 5 №2)

Ковариация является числовой характеристикой совместного распределения двух случайных
величин. Ковариацией случайных величин 𝜉 и 𝜂 с конечными математическими ожиданиями
называется число

Недостатком ковариации является ее размерность, вследствие чего по величине ковариации

сложно определять глубину зависимости случайных величин. Отсутствием этого недостатка
обладает величина, построенная на основе ковариации, а именно корреляция.

Коэффициентом корреляции случайных величин ξ и η с конечными и ненулевыми дисперсиями

называется величина

Вариант 3 №1 (Вариант 10 №1)

Математическим ожиданием дискретной случайной величины 𝜉 называется сумма произведений
всех возможных значений случайной величины на вероятности этих значений

Важность дисперсии объясняется тем, что она указывает на величину разброса значений
случайной величины вокруг математического ожидания.
Дисперсией случайной величины называется математическое ожидание квадрата отклонения
случайной величины от своего математического ожидания

Вариант 4 №2
Центральные предельные теоремы – это группа теорем, утверждающих, что сумма достаточно
большого количества значений одной случайной величины или достаточно большого

количества случайных величин имеет распределение, близкое к нормальному.

Теорема. Пусть 𝜉1, 𝜉2, …, 𝜉𝑛, … бесконечная последовательность независимых непрерывных

одинаково распределенных случайных величин, 𝑀𝜉𝑖 = 𝑎 и 𝐷𝜉𝑖 = 𝜎^2 . Тогда

Вариант 4 №5 (Вариант 10 №5)

Точечная статистическая оценка 𝜃̂ 𝑛 называется несмещенной, если ее математическое ожидание
при любом n равно оцениваемому параметру 𝜃

Точечная статистическая оценка называется состоятельной, если при неограниченном увеличении

выборки она сходится к оцениваемому параметру

Точечная несмещенная статистическая оценка 𝜃̂ 𝑛 называется эффективной, если она имеет

минимальную дисперсию (минимальный разброс оценок).

Вариант 5 №1
Утверждение Бернулли. Если проводится серия из n независимых испытаний Бернулли, в каждом
из которых успех появляется с вероятностью p, то вероятность того, что «успех» в n испытаниях
появится ровно m раз, выражается формулой

Закон редких событий (формула Пуассона)

Утверждение Пуассона. Если проводится серия из n независимых испытаний Бернулли (𝑛 велико),
в каждом из которых успех появляется с вероятностью 𝑝 (𝑝 мало), причем 𝑛𝑝 = 𝜆 конечно и
постоянно, то вероятность того, что «успех» в n испытаниях появится ровно m раз, выражается
формулой
Вариант 5 №5

Вариант 5 №6
Другой подход к оценке неизвестного параметра – введение доверительного интервала, т. е.
промежутка, в котором находится значение неизвестного параметра с заданной вероятностью y.

Величина 𝛿 называется точностью оценивания. На доверительные границы влияет величина

теоретической дисперсии. С ростом дисперсии границы доверительного интервала раздвигаются.
Есть только один параметр, позволяющий увеличить надежность оценивания, уменьшить длину
доверительного интервала, уменьшить влияние дисперсии. Этим параметром является объем
выборки.

Вариант 6 №1
Классическая вероятность

Читается формула классической вероятности следующим образом: вероятность реализации

события А равна отношению числа исходов, благоприятствующих событию А, к общему числу
исходов вероятностного пространства.

Геометрическая вероятность

Рассмотрим попадание точки на отрезок определенной длины [𝐿; 𝑀]. Ввести событие, как набор
элементарных исходов попадания в точку, здесь не удастся. Число точек на отрезке любой длины
бесконечно велико. Поэтому перейдем от дискретной вероятностной схемы к непрерывной.
Поступим следующим образом. Разобьем отрезок на ряд промежутков [𝑎0; 𝑎1 ], (𝑎1; 𝑎2 ], … ,
(𝑎𝑛−1; 𝑎𝑛 ], где 𝑎0 = 𝐿, 𝑎𝑛 = 𝑀. Будем считать событиями попадание точки в один из промежутков.
Введем вероятности попадания точки в промежутки пропорционально их длинам. Тогда
вероятность попадания точки на определенный отрезок будет иметь вид

Вариант 6 №2 (Вариант 8 №2)

Случайная величина— это функция элементарного исхода.

Законом распределения случайной величины называется всякое соотношение, устанавливающее

связь между возможными значениями случайной величины и соответствующими им
вероятностями. Закон распределения удобно представлять в виде таблицы (ряда распределения),
в которой перечислены все возможные значения случайной величины и соответствующие им
вероятности. Закон распределения может быть задан также графически.

Функцией распределения случайной величины 𝜉 называется функция 𝐹𝜉 (𝑥), определенная для

любого действительного значения х и выражающая вероятность того, что случайная величина 𝜉
примет значение, меньшее х:

Вариант 6 №5
Нулевая (основная) гипотеза – это основное проверяемое предположение, которое обычно
формулируется как отсутствие различий, отсутствие влияние фактора, отсутствие эффекта,
равенство нулю значений выборочных характеристик и т.п. Примером нулевой гипотезы в
педагогике является утверждение о том, что различие в результатах выполнения двумя группами
учащихся одной и той же контрольной работы вызвано лишь случайными причинами.

Другое проверяемое предположение (не всегда строго противоположное или обратное первому)
называется конкурирующей или альтернативной гипотезой. Так, для упомянутого выше примера
гипотезы Н0 в педагогике одна из возможных альтернатив Н1 будет определена как: уровни
выполнения работы в двух группах учащихся различны и это различие определяется влиянием
неслучайных факторов, например, тех или других методов обучения.

Вариант 6 №6

Вариант 7 №1
Функцией распределения случайной величины 𝜉 называется функция 𝐹𝜉 (𝑥), определенная для
любого действительного значения х и выражающая вероятность того, что случайная величина 𝜉

примет значение, меньшее х:

Определение. Плотностью распределения вероятностей непрерывной случайной величины

называется первая производная от ее функции распределения.

1.Плотность распределения неотрицательная функция

2.Вероятность попадания непрерывной случайной величины в промежуток (a, b) равна

определенному интегралу от ее плотности в пределах от a до b, т.е.

3.Функция распределения непрерывной случайной величины представляется через плотность

распределения в виде:

4.Несобственный интеграл от плотности вероятности в бесконечных пределах равен единице, т.е.

Можно дать еще одно определение непрерывной случайной величины.

Вариант 7 №2 (Вариант 9 №2)
Нормальное распределение (распределение Гаусса) - непрерывное распределение вероятностей
случайной величины 𝜉, сосредоточенной на промежутке (−∞, +∞), с плотностью

где 𝑎, 𝜎 –параметры распределения, причем 𝑎 ∈ 𝑅, 𝜎 > 0.

Свойства нормального распределения

1. Если случайная величина 𝜉 распределена нормально 𝜉~𝑁(𝑎; 𝜎 2 ), то случайная величина 𝜂 = 𝛼𝜉

+ 𝛽 также распределена нормально, причем 𝜂~𝑁(𝛼𝑎 + 𝛽, 𝛼^2*𝜎^2 ).

2. Если 𝜉1~𝑁(𝑎(1); 𝜎(1)^2 ), 𝜉2~𝑁(𝑎(2); 𝜎(2)^2 ), то случайная величина 𝜂 = 𝜉1 ± 𝜉2 имеет

нормальный закон распределения, причем их математические ожидания и дисперсии
алгебраически суммируются, т.е. 𝜂~𝑁(𝑎(1) ± 𝑎(2), 𝜎(1)^2 + 𝜎(2)^2 ).

3. Коэффициент асимметрии и коэффициент эксцесса нормального распределения равны нулю.

На этом основан приближенный метод проверки нормальности распределения выборки из
наблюдений, когда, проведя ряд наблюдений, мы хотим понять, подчиняются ли наблюдения
нормальному закону.
Вариант 7 №5
Метод моментов – наиболее простой из существующих, был впервые предложен Карлом
Пирсоном в 1894 году. Идея метода заключается в приравнивании какого-нибудь начального
или центрального теоретического момента, содержащего оцениваемый параметр 𝜃,
выборочному моменту, вычисленному по выборке 𝑥1 , 𝑥2 , … , 𝑥𝑛

и решением соответствующего уравнения относительно параметра 𝜃. В результате имеем

функцию выборки (статистику), представляемую, как статистическая оценка 𝜃̂ = 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ).

Вариант 7 №6
Ошибка первого рода состоит в том, что гипотеза будет отвергнута, хотя на самом деле она
правильная. Вероятность допустить такую ошибку называют уровнем значимости и обозначают
буквой («альфа»).

Ошибка второго рода состоит в том, что гипотеза будет принята, но на самом деле она
неправильная. Вероятность совершить эту ошибку обозначают буквой («бета»). Значение
называют мощностью критерия – это вероятность отвержения неправильной гипотезы.

Вариант 7 №7
Суть метода заключается в том, что используется не полное совместное распределение всех
переменных (зависимой и регрессоров), а только условное распределение зависимой
переменной по факторам, то есть фактически распределение случайных ошибок регрессионной
модели.

Вариант 8 №1 (Вариант 10 №2)

Вероятность события 𝐵, вычисленная при условии, что имело место событие 𝐴, называется
условной вероятностью события 𝐵 и обозначается 𝑃(𝐵|𝐴).

Утверждение о произведении вероятностей. Вероятность произведения двух событий равна

произведению вероятности одного из них на условную вероятность другого, вычисленную при
условии, что первое имело место: 𝑃(𝐴𝐵) = 𝑃(𝐴)*𝑃(𝐵|𝐴).
Вариант 8 №5
Рассмотрим надежность 𝛾, т.е. вероятность, с которой параметр 𝑎 попадет в доверительный
интервал. Надежности 𝛾 соответствует некоторое критическое число 𝑥кр. из таблицы Лапласа
такое, что 𝑃{|𝜂| < 𝑥кр} = 𝛾. Другими словами, вероятность случайной величине 𝜂 попасть в
промежуток (−𝑥кр, 𝑥кр) равна 𝛾.

В математической статистике уровень значимости — это величина, используемая для оценки

истинности некоторого результата или гипотезы. Например, при проверке статистической
гипотезы уровень значимости определяется как вероятность отклонить нулевую гипотезу, если на
самом деле она истинна (ошибка первого рода).

Вариант 8 №6

Утверждение Ра́о-Фреше́-Краме́ра. При выполнении достаточно общих условий дисперсия

несмещенной точечной оценки 𝐷𝜃̂ связана с информацией Фишера 𝐼(𝜃) следующим неравенством

Информация Фишера представляет собой усредненную (берется математическое ожидание)

преобразованную (берется логарифм) реакцию плотности распределения вероятностей случайной
величины 𝜉 (берется изменение плотности, вызванное изменением параметра 𝜃).

Вариант 9 №5

Вариант 10 №7
Распределение Стьюдента (t-распределение) Пусть набор независимых случайных величин 𝜉0, 𝜉1,
𝜉2, … , 𝜉𝑛 подчиняется нормальному распределению: 𝜉𝑖~𝑁(0; 1), где 𝑖 = 0,1,2, … , 𝑛. Распределение
Стьюдента (𝑆𝑡𝑛 ) с n степенями свободы или 𝑡 −распределение – непрерывное сосредоточенное
на (−∞, ∞) распределение вероятностей случайной величины

Таблица функции распределения Стьюдента для небольших значений 𝑛 (𝑛 ≤ 120) связывает значения
вероятностей 𝛼 и соответствующих им критических точек 𝑥кр соотношениями 𝑃(𝑡𝑛 > 𝑥кр1) = 𝛼 для
односторонней области и 𝑃(|𝑡𝑛 | > 𝑥кр2) = 𝛼 для двусторонней области. Здесь 𝑥кр1- значение, которое
случайная величина 𝑡𝑛 превышает с фиксированной вероятностью 𝛼, 𝑥кр2 – значение, которое модуль
случайной величины превышает с фиксированной вероятностью 𝛼. Очевидно, что 𝑥кр2 > 𝑥кр1.