Математика: темы

Теория вероятностей и математическая статистика

Формулы и правила по теме «Теория вероятностей и математическая статистика».

31 формула

Таблица формул

Формула Запись Тема Для чего нужна
Математическое ожидание дискретной случайной величины $M(X)=\sum_i x_i p_i$ Вероятность и статистика Формула «Математическое ожидание дискретной случайной величины» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Дисперсия дискретной случайной величины $D(X)=\sum_i (x_i-M(X))^2p_i$ Вероятность и статистика Формула «Дисперсия дискретной случайной величины» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Среднеквадратическое отклонение случайной величины $\sigma=\sqrt{D(X)}$ Вероятность и статистика Формула «Среднеквадратическое отклонение случайной величины» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Ковариация двух случайных величин $\operatorname{Cov}(X,Y)=M[(X-MX)(Y-MY)]$ Вероятность и статистика Формула «Ковариация двух случайных величин» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Коэффициент корреляции Пирсона $r=\frac{\sum (x_i-\bar x)(y_i-\bar y)}{\sqrt{\sum (x_i-\bar x)^2\sum (y_i-\bar y)^2}}$ Вероятность и статистика Формула «Коэффициент корреляции Пирсона» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула полной вероятности $P(A)=\sum_iP(H_i)P(A\mid H_i)$ Вероятность и статистика Формула «Формула полной вероятности» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Формула Байеса для условных вероятностей $P(H_k\mid A)=\frac{P(H_k)P(A\mid H_k)}{\sum_iP(H_i)P(A\mid H_i)}$ Вероятность и статистика Формула «Формула Байеса для условных вероятностей» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Вероятность в биномиальном распределении $P(X=k)=C_n^kp^k(1-p)^{n-k}$ Вероятность и статистика Формула «Вероятность в биномиальном распределении» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Математическое ожидание биномиального распределения $M(X)=np$ Вероятность и статистика Формула «Математическое ожидание биномиального распределения» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Дисперсия биномиального распределения $D(X)=np(1-p)$ Вероятность и статистика Формула «Дисперсия биномиального распределения» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Плотность нормального распределения $f(x)=\frac1{\sigma\sqrt{2\pi}}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$ Вероятность и статистика Формула «Плотность нормального распределения» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Стандартизация нормальной случайной величины $Z=\frac{X-\mu}{\sigma}$ Вероятность и статистика Формула «Стандартизация нормальной случайной величины» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Доверительный интервал для среднего при известной дисперсии $\bar x\pm z_{\alpha/2}\frac{\sigma}{\sqrt n}$ Вероятность и статистика Формула «Доверительный интервал для среднего при известной дисперсии» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
z-статистика для проверки среднего $z=\frac{\bar x-\mu_0}{\sigma/\sqrt n}$ Вероятность и статистика Формула «z-статистика для проверки среднего» задает численную характеристику вероятностной модели. Она переводит исходы, вероятности или наблюдения в показатель, который удобно считать, сравнивать и проверять.
Распределение Пуассона: вероятность числа событий $P(X=k)=e^{-\lambda}\frac{\lambda^k}{k!}$ Вероятность и статистика Распределение Пуассона даёт вероятность ровно k событий на фиксированном интервале, если известно их среднее число λ. Модель применяют к независимому потоку с постоянной интенсивностью.
Геометрическое распределение: номер первого успеха $P(X=k)=(1-p)^{k-1}p$ Вероятность и статистика Геометрическое распределение описывает число независимых попыток до первого успеха включительно. Вероятность успеха p остаётся одинаковой в каждой попытке, а предшествующие попытки заканчиваются неудачей.
Гипергеометрическое распределение: выбор без возвращения $P(X=k)=\frac{\binom{K}{k}\binom{N-K}{n-k}}{\binom{N}{n}}$ Вероятность и статистика Гипергеометрическая формула даёт вероятность выбрать ровно k объектов нужного типа среди n предметов, взятых без возвращения из N. В исходной совокупности ровно K объектов относятся к нужному типу.
Равномерное распределение: вероятность попасть в интервал $P(c\le X\le d)=\frac{d-c}{b-a},\qquad a\le c\le d\le b$ Вероятность и статистика Для непрерывного равномерного распределения на отрезке [a,b] вероятность попадания в его часть [c,d] равна отношению длин. Равные по длине части имеют одинаковые вероятности независимо от положения.
Экспоненциальное распределение: вероятность времени ожидания $P(T>t)=e^{-\lambda t}$ Вероятность и статистика Экспоненциальная модель даёт вероятность ждать событие дольше t при постоянной интенсивности λ. В отличие от счёта событий по Пуассону, случайной величиной здесь служит непрерывное время до ближайшего события.
Неравенство Маркова для хвостовой вероятности $P(X\ge a)\le\frac{E[X]}{a},\qquad X\ge0,\ a>0$ Вероятность и статистика Неравенство Маркова даёт верхнюю границу вероятности большого значения неотрицательной случайной величины через её среднее. Оно работает без знания точного распределения, поэтому граница может быть грубой, но остаётся гарантированной при выполнении условий.
Неравенство Йенсена для ожидания функции $\varphi(E[X])\le E[\varphi(X)]\quad\text{для выпуклой }\varphi$ Вероятность и статистика Неравенство Йенсена сравнивает значение выпуклой функции от среднего со средним её значений: φ(E[X])≤E[φ(X)]. Для вогнутой функции знак меняется. Это формальный способ учесть, что разброс влияет на нелинейное преобразование.
Закон полного ожидания и условное среднее $E[X]=E[E[X\mid Y]],\qquad E[X]=\sum_iE[X\mid H_i]P(H_i)$ Вероятность и статистика Закон полного ожидания говорит: сначала можно найти среднее X внутри каждой группы, заданной Y или разбиением Hᵢ, а затем усреднить эти условные средние по вероятностям групп. Результат равен общему математическому ожиданию X.
Закон полной дисперсии: внутри и между группами $\operatorname{Var}(X)=E[\operatorname{Var}(X\mid Y)]+\operatorname{Var}(E[X\mid Y])$ Вероятность и статистика Закон полной дисперсии раскладывает общий разброс X на средний разброс внутри групп и разброс условных средних между группами. Группы задаёт Y. Формула помогает понять источник неопределённости, а не только получить одно число.
Производящая функция вероятностей дискретной величины $G_X(z)=E[z^X]=\sum_{k=0}^{\infty}P(X=k)z^k,\qquad X\in\{0,1,2,\ldots\}$ Вероятность и статистика Производящая функция вероятностей кодирует распределение неотрицательной целочисленной величины X в степенном ряде. Коэффициент при zᵏ равен P(X=k), а независимая сумма превращает произведение функций. Она удобна для счётчиков событий и дискретных распределений.
Рычаг наблюдения в простой линейной регрессии $h_{ii}=\frac1n+\frac{(x_i-\bar x)^2}{S_{xx}},\qquad S_{xx}=\sum_{j=1}^n(x_j-\bar x)^2$ Вероятность и статистика Рычаг hᵢᵢ показывает, насколько положение наблюдения по признаку x влияет на его собственное предсказание в линейной регрессии. Он зависит только от набора x и не измеряет величину ошибки по отклику y.
Расстояние Кука: влияние наблюдения на регрессию $D_i=\frac{e_i^2}{p s^2}\frac{h_{ii}}{(1-h_{ii})^2}=\frac{\sum_j(\hat y_j-\hat y_{j(i)})^2}{p s^2}$ Вероятность и статистика Расстояние Кука измеряет изменение всех предсказаний регрессии при удалении одной строки данных. Оно сочетает величину остатка с рычагом наблюдения и выражается в безразмерном масштабе относительно остаточной дисперсии.
PRESS: ошибка прогноза при поочерёдном удалении $e_{(i)}=\frac{e_i}{1-h_{ii}},\qquad \mathrm{PRESS}=\sum_{i=1}^n e_{(i)}^2$ Вероятность и статистика PRESS суммирует квадраты ошибок прогноза каждой строки моделью, обученной без этой строки. Для обычной линейной регрессии удалённые остатки вычисляют из одной полной подгонки через остатки и рычаги.
Доверительный интервал среднего отклика регрессии $\hat y_0\pm t_{1-\alpha/2,n-2}s\sqrt{\frac1n+\frac{(x_0-\bar x)^2}{S_{xx}}}$ Вероятность и статистика Интервал среднего отклика описывает неопределённость положения генеральной прямой при заданном x₀. Он учитывает оценивание коэффициентов, но не добавляет случайный разброс одного нового наблюдения вокруг этой прямой.
Интервал прогноза нового наблюдения регрессии $\hat y_0\pm t_{1-\alpha/2,n-2}s\sqrt{1+\frac1n+\frac{(x_0-\bar x)^2}{S_{xx}}}$ Вероятность и статистика Прогнозный интервал простой регрессии задаёт диапазон для одного нового наблюдения при известном x₀. Он шире интервала среднего, поскольку учитывает как оценку прямой, так и индивидуальную случайную ошибку нового отклика.
t-интервал для среднего при неизвестной дисперсии $\bar{x}\pm t_{1-\alpha/2,n-1}\,\frac{s}{\sqrt{n}}$ Статистические выводы Доверительный t-интервал оценивает среднее генеральной совокупности, когда её дисперсия неизвестна и стандартное отклонение вычислено по выборке. Границы строят из выборочного среднего, стандартной ошибки и квантиля распределения Стьюдента.
Парный t-критерий: проверка среднего изменения $t=\frac{\bar d-\mu_{d,0}}{s_d/\sqrt n},\quad d_i=Y_i-X_i$ Статистические выводы Парный t-критерий проверяет гипотезу о среднем различии двух связанных измерений. Сначала для каждого объекта вычисляют разность, затем сравнивают среднюю разность с заданным значением с учётом её выборочного разброса.