Выборочная средняя.
Пусть для изучения генеральной совокупности относительно количественного признака Х извлечена выборка объема n.
Выборочной средней называют среднее арифметическое значение признака выборочной совокупности.
Если все значения признака выборки различны, то
Выборочная дисперсия.
Для того, чтобы наблюдать рассеяние количественного признака значений выборки вокруг своего среднего значения, вводят сводную характеристику- выборочную дисперсию.
Выборочной дисперсией называют среднее арифметическое квадратов отклонения наблюдаемых значений признака от их среднего значения.
Если все значения признака выборки различны, то
Исправленная дисперсия.
Выборочная дисперсия является смещенной оценкой генеральной дисперсии, т.е. математическое ожидание выборочной дисперсии не равно оцениваемой генеральной дисперсии, а равно
Для исправления выборочной дисперсии достаточно умножить ее на дробь
Выборочный коэффициент корреляции находится по формуле
где 
- выборочные средние квадратические отклонения величин 
и 
.
Выборочный коэффициент корреляции 
показывает тесноту линейной связи между 
и : чем ближе 
к единице, тем сильнее линейная связь между и .
23. Полигоном частот называют ломаную линию, отрезки которой соединяют точки 
. Для построения полигона частот на оси абсцисс откладывают варианты 
, а на оси ординат – соответствующие им частоты 
и соединяют точки 
отрезками прямых.
Полигон относительных частот строится аналогично, за исключением того, что на оси ординат откладываются относительные частоты 
.
Гистограммой частот называют ступенчатую фигуру, состоящую из прямоугольников, основаниями которой служат частичные интервалы длиною h, а высоты равны отношению 
. Для построения гистограммы частот на оси абсцисс откладывают частичные интервалы, а над ними проводят отрезки, параллельные оси абсцисс на расстоянии (высоте) . Площадь i–го прямоугольника равна 
– сумме частот вариант i–о интервала, поэтому площадь гистограммы частот равна сумме всех частот, т.е. объему выборки.
Эмпирическая функция распределения
где nx - число выборочных значений, меньших x; n - объем выборки.
22Определим основные понятия математической статистики
. Основные понятия математической статистики. Генеральная совокупность и выборка. Вариационный ряд, статистический ряд. Группированная выборка. Группированный статистический ряд. Полигон частот. Выборочная функция распределения и гистограмма.
Генеральная совокупность – все множество имеющихся объектов.
Выборка – набор объектов, случайно отобранных из генеральной совокупности.
Последовательность вариант, записанных в порядке возрастания, называют вариационным рядом, а перечень вариант и соответствующих им частот или относительных частот – стати-стическим рядом:чайно отобранных из генеральной совокупности.
Полигоном частот называют ломаную линию, отрезки которой соединяют точки .
Гистограммой частот называют ступенчатую фигуру, состоящую из прямоугольников, основаниями которой служат частичные интервалы длиною h, а высоты равны отношению .
Выборочной (эмпирической) функцией распределения называют функцию F* (x), определяющую для каждого значения х относительную частоту события X < x.
Если исследуется некоторый непрерывный признак, то вариационный ряд может состоять из очень большого количества чисел. В этом случае удобнее использовать группированную выборку. Для ее получения интервал, в котором заключены все наблюдаемые значения признака, разбивают на несколько равных частичных интервалов длиной h, а затем находят для каждого частичного интервала ni – сумму частот вариант, попавших в i -й интервал.
21.
20. Под законом больших чисел не следует понимать какой-то один общий закон, связанный с большими числами. Закон больших чисел - это обобщенное название нескольких теорем, из которых следует, что при неограниченном увеличении числа испытаний средние величины стремятся к некоторым постоянным.
К ним относятся теоремы Чебышева и Бернулли. Теорема Чебышева является наиболее общим законом больших чисел.
В основе доказательства теорем, объединенных термином "закон больших чисел", лежит неравенство Чебышева, по которому устанавливается вероятность отклонения от ее математического ожидания:
19Распределение Пирсона 
(хи - квадрат) – распределение случайной величины
где случайные величины X1, X2,…, Xn независимы и имеют одно и тоже распределение N (0,1). При этом число слагаемых, т.е. n, называется «числом степеней свободы» распределения хи – квадрат.
Распределение хи-квадрат используют при оценивании дисперсии (с помощью доверительного интервала), при проверке гипотез согласия, однородности, независимости,
Распределение t Стьюдента – это распределение случайной величины
где случайные величины U и X независимы, U имеет распределение стандартное нормальное распределение N (0,1), а X – распределение хи – квадрат с n степенями свободы. При этом n называется «числом степеней свободы» распределения Стьюдента.
Его применяют при оценивании математического ожидания, прогнозного значения и других характеристик с помощью доверительных интервалов, по проверке гипотез о значениях математических ожиданий, коэффициентов регрессионной зависимости,
Распределение Фишера – это распределение случайной величины
Распределение Фишера используют при проверке гипотез об адекватности модели в регрессионном анализе, о равенстве дисперсий и в других задачах прикладной статистики
18 Линейная регрессия является статистическим инструментом, используемым для прогнозирования будущих цен исходя из прошлых данных, и обычно применяется, чтобы определить, когда цены являются перегретыми. Используется метод наименьшего квадрата для построения «наиболее подходящей» прямой линии через ряд точек ценовых значений. Ценовыми точками, используемыми в качестве входных данных, может быть любое из следующих значений: открытие, закрытие, максимум, минимум,
17. двумерной случайной величиной называют упорядоченный набор из двух случайных величин 
или 
.
Пример.Подбрасываются два игральных кубика. – число очков, выпавших на первом и втором кубиках соответственно
Универсальный способ задания закона распределения двумерной случайной величины – это функция распределения.
16.
15. м.о Дискретные случайные величины
Свойства:
1) M (C) = C, C - постоянная;
2) M (CX) = CM (X);
3) M (X1 + X2) = M (X1) + M (X2), где X1, X2 - независимые случайные величины;
4) M (X1X2) = M (X1) M (X2).
Математическое ожидание суммы случайных величин равно сумме их математических ожиданий, т.е.
.
Математическое ожидание разности случайных величин равно разности их математических ожиданий, т.е.
.
Математическое ожидание произведения случайных величин равно произведению их математических ожиданий, т.е.
.
Если все значения случайной величины увеличить (уменьшить) на одно и тоже число С, то ее математическое ожидание увеличится (уменьшиться) на это же число
14. Показательный (экспоненциальный) закон распределения. Непрерывная случайная величина X имеет показательный (экспоненциальный) закон распределения с параметром λ >0, если ее плотность вероятности имеет вид:
Математическое ожидание: 
.
Дисперсия: 
.
Показательный закон распределения играет большую роль в теории массового обслуживания и теории надежности.
13. Нормальный закон распределения характеризуется частотой отказов a (t) или плотностью вероятности отказов f (t) вида:
, (5.36)
где σ– среднеквадратическое отклонение СВ x;
m x – математическое ожидание СВ x. Этот параметр часто называют центром рассеивания или наиболее вероятным значением СВ Х.
x – случайная величина, за которую можно принять время, значение тока, значение электрического напряжения и других аргументов.
Нормальный закон – это двухпараметрический закон, для записи которого нужно знать m x и σ.
Нормальное распределение (распределение Гаусса) используется при оценке надежности изделий, на которые воздействует ряд случайных факторов, каждый из которых незначительно влияет на результирующий эффект
12. Равномерный закон распределения. Непрерывная случайная величина X имеет равномерный закон распределения на отрезке [ a, b ], если ее плотность вероятности постоянна на этом отрезке и равна нулю вне его, т.е.
Обозначение: 
.
Математическое ожидание: 
.
Дисперсия: 
.
Случайная величина Х, распределенная по равномерному закону на отрезке [0, 1] называется случайным числом от 0 до 1. Она служит исходным материалом для получения случайных величин с любым законом распределения. Равномерный закон распределения используется при анализе ошибок округления при проведении числовых расчетов, в ряде задача массового обслуживания, при статистическом моделировании наблюдений, подчиненных заданному распределению.
11. Определение. Плотностью распределения вероятностей непрерывной случайной величины Х называется функция f(x) – первая производная от функции распределения F(x).
Плотность распределения также называют дифференциальной функцией. Для описания дискретной случайной величины плотность распределения неприемлема.
Смысл плотности распределения состоит в том, что она показывает как часто появляется случайная величина Х в некоторой окрестности точки х при повторении опытов.
После введения функций распределения и плотности распределения можно дать следующее определение непрерывной случайной величины.
10. Плотность вероятности, плотность распределения вероятностей случайной величины x, - функция p(x) такая, что
и при любых a < b вероятность события a < x < b равна
.
Если p(x) непрерывна, то при достаточно малых ∆x вероятность неравенства x < X < x+∆x приближенно равна p(x)•∆x (с точностью до малых более высокого порядка). Функция распределения F(x) случайной величины x, связана с плотностью распределения соотношениями
и, если F(x) дифференцируема, то
9.