Поиск

Полнотекстовый поиск:
Где искать:
везде
только в названии
только в тексте
Выводить:
описание
слова в тексте
только заголовок

Рекомендуем ознакомиться

'Документ'
Цель: обеспечение компенсационных возможностей каникулярного времени для совершенствования учебно-воспитательного процесса по формированию личности уч...полностью>>
'Документ'
Администрация муниципального образования «Город Ахтубинск» в соответствии с Земельным кодексом Российской Федерации проводит аукцион на право заключен...полностью>>
'Отчет'
О назначении публичных слушаний, установлении порядка учета предложений по решению Смоленской районной Думы «Об утверждении проекта отчета по исполнен...полностью>>
'Документ'
Климатическая характеристика: жаркое лето, теплая осень, мягкая зима, среднегодовая температура воздуха 12,2° С. Сезон купания в море с июня по сентяб...полностью>>

Главная > Документ

Сохрани ссылку в одной из сетей:
Информация о документе
Дата добавления:
Размер:
Доступные форматы для скачивания:

2.7. Предельные теоремы

В этом параграфе нас будет интересовать закон распределения и некоторые связанные с ним числовые характеристики суммы случайных величин при условии, что распределение и числовые характеристики слагаемых известны, а их число неограниченно возрастает.

Неравенство Чебышева. Для произвольной случайной величины с математическим ожиданием и дисперсией для любого справедливо неравенство:

(2.75)

Приведём доказательство для непрерывной случайной величины.

Здесь мы разбили интервал интегрирования на три, в первом и третьем слагаемых заменили на меньшее и отбросили второе слагаемое, в результате чего и получили неравенство, так как сумма при этом может только уменьшиться. Но выражение, стоящее в правой части в скобках, равно вероятности попадания случайной величины в интервалы , то есть вероятности выполнения неравенства . Отсюда Деля на , получаем (2.75).

Из неравенства Чебышева следует: чем меньше дисперсия, тем меньше вероятность отклонения случайной величины от своего математического ожидания более чем на .

Теорема Чебышева. Пусть – последовательность независимых случайных величин, имеющих конечные дисперсии, ограниченные одной и той же постоянной. Тогда вероятность отклонения среднего арифметического системы случайных величин от среднего арифметического их математических ожиданий по модулю меньше, чем на стремится к единице при неограниченном увеличении .

где (2.76)

Найдём случайную величину – среднее арифметическое и найдём её числовые характеристики:

Здесь мы воспользовались свойствами математического ожидания и дисперсии суммы независимых случайных величин и тем, что дисперсии всех слагаемых ограничены одной константой . Применим теперь к неравенство Чебышева:

или

Переходя в этом неравенстве к пределу при и учитывая ограниченность , получаем:

Но вероятность не может быть больше единицы, поэтому

Что и требовалось доказать. В этом случае говорят, что среднее арифметическое случайных величин сходится по вероятности к среднему арифметическому математических ожиданий слагаемых.

Следствия.

1. Обычно, при определении численного значения некоторой величины приводится несколько измерений и в качестве искомого значения принимается их среднее арифметическое. Действительно, результат каждого измерения можно рассматривать как случайные величины . Если результаты измерений независимы, имеют одно и то же математическое ожидание и их дисперсии ограничены одной и той же константой (что на практике обычно выполняется), то согласно теореме Чебышева, среднее арифметическое сходится по вероятности к истинному значению измеряемой величины.

2. Теорема Бернулли. Эта теорема устанавливает связь между относительной частотой события и его вероятностью . Пусть производится независимых однородных испытаний (схема Бернулли), в каждом из которых событие может появиться с вероятностью . Введём в рассмотрение случайные величины – индикаторы испытаний. Напомним, что принимает только два значения: 1, если в i-том испытании событие наступило, и 0 в противоположном случае. Ранее были найдены и . Система случайных событий удовлетворяет условиям теоремы Чебышева и поэтому

Остаётся отметить, что сумма равна числу появлений события при испытаниях, а значит является относительной частотой, которую ранее обозначали .

Таким образом, при неограниченном увеличении числа испытаний относительная частота события сходится по вероятности к – вероятности его появления при одном испытании. Это утверждение и является теоремой Бернулли.

Центральная предельная теорема. Снова рассмотрим последовательность случайных величин и найдём закон распределения суммы этих случайных величин при неограниченном возрастании . Оказывается, что закон распределения такой суммы при весьма общих условиях близок к нормальному. Этот факт определяет особое значение нормального распределения в теории вероятностей и имеет огромное прикладное значение. Соответствующее утверждение называется центральной предельной теоремой. Её строгое доказательство при достаточно общих предположениях впервые было дано русским математиком А.М.Ляпуновым. Приведём без доказательства формулировку этой теоремы.

Теорема Ляпунова. Пусть – последовательность независимых случайных величин и существуют конечные соотношения:

Если

и то

(2.77)

Отсюда следует, что случайная величина распределена асимптотически нормально с параметрами и .

Смысл условий теоремы Ляпунова заключается в том, что вклад любого слагаемого в образование всей суммы равномерно мал.

Следствия.

1. Интегральная теорема Муавра-Лапласа. Рассмотрим последовательность независимых однородных испытаний (схема Бернулли), в каждом из которых событие может появиться с вероятностью . Вероятность того, что событие появится при этом не менее и не более раз определяется по формуле Бернулли:

причём, при большом применение этой формулы практически невозможно и применяется интегральная теорема Муавра-Лапласа. Для её обоснования рассмотрим систему случайных величин – индикаторов испытаний. Сумма индикаторов, то есть , равна числу появления события при испытаниях (то есть ), причём

Условия теоремы Ляпунова выполнены, поэтому случайная величина распределена асимптотически нормально с математическим ожиданием и среднеквадратическим отклонением . Остаётся найти вероятность того, что случайная величина будет заключена в пределах от до , для чего воспользуемся формулой (2.34)

(2.78)

где функция Лапласа. Тем самым обоснована интегральная теорема Муавра-Лапласа.

2. Ошибки измерений. Известно, что при повторении измерений одного и того же объекта, выполненных одним и тем же инструментом с одинаковой тщательностью, мы не получаем одинаковых результатов. Разброс результатов измерений вызывается тем, что на процесс измерения влияют многочисленные факторы, которые невозможно и нецелесообразно учитывать. В этой ситуации ошибку, возникающую при измерении интересующей нас величины, часто можно рассматривать как сумму большого числа независимых между собой слагаемых, каждое из которых даёт лишь незначительный вклад в образование всей суммы. Но в таком случае мы находимся как раз в условиях применимости теоремы Ляпунова и можем ожидать, что распределение ошибки измеряемой величины мало отличается от нормального.

В более общем случае ошибка является функцией большого числа случайных аргументов, каждый из которых лишь немного отличается от своего математического ожидания. Линеаризируя функцию, то есть, заменяя её линейной, мы приходим к предыдущему случаю. Накопленный опыт по статистической обработке результатов измерений действительно подтверждает этот факт в большинстве практических случаев.

Аналогичные рассуждения поясняют появление нормального распределения в отклонении параметров, определяющих изделие, от нормативных значений при их массовом производстве.

Доска Гальтона.

Центральная предельная теорема (а точнее, её частный случай – теорема Муавра-Лапласа) может быть проиллюстрирована на простой механической модели (достаточно редкая в математике ситуация), представляющей наклонную плоскость, на которой в шахматном порядке установлены штифты (Рис.2.17). Падающие из бункера через воронку шарики, диаметры которых несколько меньше расстояний между штифтами, после многократных столкновений со штифтами попадают в вертикальные накопительные ячейки. При каждом столкновении, а всего каждый шарик совершит их столько, сколько имеется рядов штифтов, шарик может отклониться или влево, или вправо, причём в силу симметрии эти два события равновозможны (Рис.2.18).

Введём случайные величины – индикаторов результата i - го столкновения, положив , если шарик отклоняется вправо, и , если влево. Закон распределения такой случайной величины, а также её числовые характеристики приведены ниже.

0.5

0.5

Рис.2.17

Рис.2.18

Рис.2.19

Сумма определяет абсциссу вертикальной ячейки, в которую после всех столкновений со штифтами попадёт шарик (при условии, что начало отсчёта помещено в середину воронки и горизонтальный шаг решётки штифтов равен 2). Очевидно, условия теоремы Ляпунова выполнены и поэтому при достаточно большом распределена почти нормально с параметрами и . Число шариков, оказавшихся в накопительных ячейках, согласно частотному смыслу вероятности будет пропорционально вероятности попадания шарика в соответствующую ячейку и тем самым – соответствующей ординате графика плотности нормального распределения. Поэтому линия, огибающая лежащие в ячейках шарики, будет отличаться от кривой Гаусса только масштабом. Опыт показывает, что даже при не очень большом числе рядов полученная таким образом огибающая отчётливо воспроизводит эту кривую (Рис.2.19).



Похожие документы:

  1. Ключников С. Ю. Невидимая броня: Теория и практика психоэнергетической защиты

    Документ
    ... законазакона ... характеристикой ... при условии, что ... будет превосходить механическую сумму ... будет защищено от вторжения помех или случайных ... некоторый интерес ... распределению ... числовая величина ... Вэт ... параграф ... связанных с распространяемым учением, так и не связанных с ним ...

Другие похожие документы..