Практические задания, тест и пошаговый урок по теме Дискретные и непрерывные распределения I - улучшайте математические навыки с помощью точных вопросов и понятных объяснений.
Тренировочный тест по дискретным и непрерывным распределениям I с пошаговым интерактивным уроком
Используйте тест в верхней части страницы, чтобы тренировать основные идеи дискретных и непрерывных распределений вероятностей. Эта тема сосредоточена на самых распространенных основах статистики и вероятности: случайные величины и язык распределений, дискретные и непрерывные распределения, функции вероятности для дискретных величин, функции плотности вероятности для непрерывных величин и функции распределения, биномиальное распределение \(\mathrm{Bin}(n,p)\) с биномиальной формулой \(\binom{n}{k}p^k(1-p)^{n-k}\), быстрые приемы вероятности, такие как правило дополнения, формулы среднего и дисперсии, например \(\mathbb{E}[X]=np\) и \(\mathrm{Var}(X)=np(1-p)\), непрерывное равномерное распределение \(\mathrm{U}[a,b]\) с вероятностями интервалов и нормальное распределение \(\mathcal{N}(\mu,\sigma^2)\), включая симметрию, смысл площади под кривой и z-оценки \(z=\dfrac{x-\mu}{\sigma}\). Если нужно освежить тему, нажмите Начать урок, чтобы открыть пошаговое руководство с разобранными примерами и быстрыми проверками.
Как устроена тренировка по распределениям
1. Пройдите тест: ответьте на вопросы по дискретным и непрерывным распределениям в верхней части страницы.
2. Откройте урок (необязательно): повторите функции вероятности, плотности и распределения, биномиальные вероятности, вероятности интервалов для равномерного распределения и симметрию нормального распределения с понятными примерами.
3. Повторите: вернитесь к тесту и сразу примените правила распределений.
Что вы изучите в уроке «Дискретные и непрерывные распределения I»
Случайные величины и функции распределения
Дискретные и непрерывные случайные величины (подсчет исходов и измерение на интервале)
Функция вероятности и плотность, почему \(\sum p(x)=1\) и \(\int f(x)\,dx=1\), и почему \(P(X=c)=0\) для непрерывной \(X\)
Функция распределения \(F(x)=P(X\le x)\) и как она упаковывает вероятности
Дискретные распределения: Бернулли и биномиальное
Условия биномиального распределения: фиксированное \(n\), независимые испытания, два исхода, постоянное \(p\)
Среднее и дисперсия: \(\mathbb{E}[X]=\dfrac{a+b}{2}\), \(\mathrm{Var}(X)=\dfrac{(b-a)^2}{12}\)
Нормальное распределение и z-оценки
Симметрия относительно \(\mu\): \(P(X<\mu)=P(X>\mu)=\tfrac12\) и \(P(X=\mu)=0\)
Площадь под кривой - это вероятность; общая площадь равна \(1\)
Стандартизация: \(Z=\dfrac{X-\mu}{\sigma}\), чтобы использовать стандартное нормальное \(Z\sim\mathcal{N}(0,1)\)
Назад к тесту
Когда будете готовы, вернитесь к тесту в верхней части страницы и продолжайте тренировать дискретные и непрерывные распределения.
⭐⭐⭐⭐⭐
🎲
Дискретные & непрерывные распределения
Пошаговое руководство
Нажмите, чтобы открыть ->
Загрузка...
Урок «Дискретные и непрерывные распределения I»
1 / 8
Обзор урока
Дискретные и непрерывные распределения I
Цель: Построить ясное понимание дискретных и непрерывных распределений вероятностей, чтобы вы могли классифицировать случайные величины, правильно использовать язык функций вероятности, плотности и распределения, вычислять вероятности для биномиальных распределений и непрерывных равномерных распределений, а также интерпретировать нормальное распределение с помощью симметрии и z-оценок.
Критерии успеха
Отличать дискретные и непрерывные случайные величины.
Использовать функцию вероятности \(p(x)=P(X=x)\) для дискретных распределений и знать, что \(\sum p(x)=1\).
Использовать плотность \(f(x)\) для непрерывных распределений и знать, что \(\int_{-\infty}^{\infty} f(x)\,dx=1\).
Объяснять, почему для непрерывной \(X\), \(P(X=c)=0\) для любого отдельного значения \(c\).
Использовать функцию распределения \(F(x)=P(X\le x)\), чтобы упаковывать вероятности.
Определять биномиальные ситуации и применять \(X\sim\mathrm{Bin}(n,p)\).
Использовать биномиальную формулу \(P(X=k)=\binom{n}{k}p^k(1-p)^{n-k}\).
Дисперсия: \(\mathrm{Var}(X)\), разброс вокруг среднего; \(\sigma=\sqrt{\mathrm{Var}(X)}\).
Биномиальное распределение: считает успехи в \(n\) независимых испытаниях с вероятностью успеха \(p\).
Нормальное распределение: колоколообразное распределение \(\mathcal{N}(\mu,\sigma^2)\); для стандартизации используйте z-оценки.
Быстрая предварительная проверка
Предварительная проверка 1: Какая случайная величина является непрерывной?
Подсказка: непрерывные величины могут принимать любое значение на интервале (включая десятичные).
Предварительная проверка 2: Для стандартной нормальной случайной величины \(Z\), чему равно \(P(Z<0)\)?
Подсказка: стандартная нормальная кривая симметрична относительно \(0\).
Основы распределений
Случайные величины, функция вероятности и плотность, а также функция распределения
Цель обучения: Знать, когда нужно суммировать (дискретный случай), а когда интегрировать (непрерывный случай), и понимать вероятность как площадь под кривой.
Ключевая идея
Дискретная случайная величина имеет функцию вероятности \(p(x)=P(X=x)\), и вероятности суммируются: \[\sum_x p(x)=1.\] Непрерывная случайная величина имеет функцию плотности вероятности \(f(x)\ge 0\), и общая площадь равна \(1\): \[\int_{-\infty}^{\infty} f(x)\,dx = 1.\] Для непрерывной \(X\) вероятность получается из площади: \[P(a\le X\le b)=\int_a^b f(x)\,dx,\] а любая отдельная точка имеет вероятность \(0\): \(P(X=c)=0\).
Функция распределения работает в обоих случаях: \[F(x)=P(X\le x).\]
Разобранный пример
Пример: В непрерывном равномерном распределении от \(0\) до \(12\), какова вероятность, что случайно выбранное значение находится между \(4\) и \(8\)?
Если \(X\sim\mathrm{U}[0,12]\), то вероятности пропорциональны длине интервала: \[P(4\le X\le 8)=\frac{8-4}{12-0}=\frac{4}{12}=\frac{1}{3}.\]
Попробуйте
Попробуйте 1: В нормальном распределении какова вероятность, что величина ровно равна среднему?
Подсказка: нормальное распределение непрерывно, поэтому любая отдельная точка имеет вероятность \(0\).
Попробуйте 2: Что означает общая площадь под кривой нормального распределения?
Подсказка: для любой плотности общая площадь равна \(1\).
Итоги
Дискретный случай: используйте функцию вероятности и суммируйте вероятности.
Непрерывный случай: используйте плотность и интегрируйте, чтобы получить площади (вероятности).
Биномиальное распределение
Испытания Бернулли и биномиальное распределение
Цель обучения: Распознавать биномиальные ситуации и вычислять вероятности с помощью биномиальной формулы и правила дополнения.
Ключевая идея
Случайная величина \(X\) имеет биномиальное распределение, записывается \(X\sim \mathrm{Bin}(n,p)\), когда:
Быстрые факты: \(P(X=0)=(1-p)^n\) и \(P(X\ge 0)=1\).
Равномерное распределение
Непрерывное равномерное распределение на \([a,b]\)
Цель обучения: Быстро вычислять равномерные вероятности с помощью длин интервалов и знать ключевые формулы среднего/дисперсии.
Ключевая идея
Если \(X\sim \mathrm{U}[a,b]\), то каждое значение в \([a,b]\) одинаково вероятно в смысле постоянной плотности: \[f(x)=\frac{1}{b-a}\quad \text{при } a\le x\le b.\] Вероятности пропорциональны длине интервала: \[P(c\le X\le d)=\frac{d-c}{b-a}\quad (a\le c\le d\le b).\]
Нормальное распределение: симметрия, среднее и стандартное отклонение
Цель обучения: Правильно интерпретировать нормальную кривую: вероятности - это площади, а симметрия дает быстрые ответы относительно среднего.
Ключевая идея
Нормальная случайная величина записывается \(X\sim\mathcal{N}(\mu,\sigma^2)\). Кривая симметрична относительно \(\mu\), и для нормального распределения:
Среднее = медиана = мода \(=\mu\).
Общая площадь под кривой равна \(1\).
По симметрии: \(P(X<\mu)=P(X>\mu)=\tfrac12\).
Так как распределение непрерывное: \(P(X=\mu)=0\).
Разобранный пример
Пример: В нормальном распределении какова вероятность, что значение меньше среднего?
Нормальная кривая симметрична относительно среднего \(\mu\), поэтому ровно половина площади находится слева: \[P(X<\mu)=\frac{1}{2}.\]
Попробуйте
Попробуйте 1: В нормальном распределении какова вероятность, что значение выше среднего?
Подсказка: симметрия относительно \(\mu\) делит площадь на две равные половины.
Попробуйте 2: Если стандартное отклонение нормального распределения увеличивается, что происходит с формой кривой?
Подсказка: большее \(\sigma\) сильнее растягивает значения, поэтому пик должен стать ниже, чтобы общая площадь оставалась \(1\).
Итоги
Нормальные распределения симметричны относительно \(\mu\), поэтому половина вероятности находится с каждой стороны.
Увеличение \(\sigma\) делает кривую шире и более плоской (но общая площадь остается \(1\)).
Z-оценки
Стандартное нормальное распределение и z-оценки
Цель обучения: Преобразовывать нормальные значения в z-оценки, чтобы использовать стандартные нормальные вероятности.
Ключевая идея
Если \(X\sim\mathcal{N}(\mu,\sigma^2)\), мы стандартизируем с помощью z-оценки: \[Z=\frac{X-\mu}{\sigma}.\] Стандартизированная величина удовлетворяет \(Z\sim\mathcal{N}(0,1)\). Это позволяет использовать стандартную нормальную функцию распределения \(\Phi(z)=P(Z\le z)\), симметрию \(\Phi(-z)=1-\Phi(z)\), а также z-таблицы или калькуляторы.
Симметрия нормального: \(P(X<\mu)=P(X>\mu)=\tfrac12\) и \(P(X=\mu)=0\).
Z-оценки: \(z=\dfrac{x-\mu}{\sigma}\), чтобы использовать стандартные нормальные вероятности.
Следующий шаг: Закройте урок и попробуйте тест снова. Если ошибетесь в вопросе, откройте книгу и повторите страницу с нужным навыком по распределениям.
Серия 5+
Серия 10+
Серия 15+
Серия 20+
Серия 25+