Предельные теоремы

Содержание

Слайд 2

В узком смысле слова под законом больших чисел понимается ряд математических

В узком смысле слова под законом больших чисел понимается ряд математических

теорем, которые утверждают приближение средних характеристик большого числа опытов к некоторым постоянным величинам.
В широком смысле этот закон утверждает, что при очень большом числе случайных явлений их средний результат перестает быть случайным и может быть предсказан с большой степенью вероятности.

ЗАКОН БОЛЬШИХ ЧИСЕЛ

Слайд 3

Пусть Х - случайная величина с мат. ожиданием mx и дисперсией

Пусть Х - случайная величина с мат.
ожиданием mx и дисперсией

Dx. Тогда
для любого ε>0 вероятность того, что
случайная величина Х отклонится от
своего мат. ожидания больше, чем на ε,
ограничена сверху величиной Dx/ ε 2

НЕРАВЕНСТВО ЧЕБЫШЕВА

Слайд 4

НЕРАВЕНСТВО ЧЕБЫШЕВА

НЕРАВЕНСТВО ЧЕБЫШЕВА

Слайд 5

Предположим, что случайная величина Х дискретна и ее ряд распределения имеет

Предположим, что случайная величина Х дискретна и ее ряд распределения имеет

вид:

Запишем дисперсию этой СВ:

Доказательство:

Оставим в этой сумме только те слагаемые, которые отвечают условию

Слайд 6

Тогда дисперсия окажется больше полученной суммы: Делаем замену: Тогда неравенство сохраняется:

Тогда дисперсия окажется больше полученной суммы:

Делаем замену:

Тогда неравенство сохраняется:

Последняя сумма представляет

собой вероятность события, что разность СВ Х и ее математического ожидания будет больше ε:
Слайд 7

Следовательно неравенство примет вид: Откуда окончательно получаем:

Следовательно неравенство примет вид:

Откуда окончательно получаем:

Слайд 8

ТЕОРЕМА ЧЕБЫШЕВА Пусть Х -СВ с математическим ожиданием a и дисперсией

ТЕОРЕМА ЧЕБЫШЕВА

Пусть Х -СВ с математическим ожиданием
a и дисперсией d.

Будем проводить серии
из n независимых опытов и вычислять
среднее арифметическое Yn значений,
принятых СВ в этих опытах. Тогда для
любого ε>0 вероятность того, что отклонение
среднего арифметического от мат. ожидания
будет больше, чем ε, будет стремиться к нулю
при неограниченном возрастании числа
опытов в каждой серии :
Слайд 9

Слайд 10

КОММЕНТАРИЙ Если проводятся серии из n опытов, то от одной серии

КОММЕНТАРИЙ
Если проводятся серии из n опытов, то от
одной серии к

другой, среднее
арифметическое СВ будет меняться
случайным образом. Значения
среднего арифметического будут
отличаться от математического ожидания.
Но при увеличении длины серий
это отличие будет уменьшаться и при n
стремящемся к бесконечности, разница
между средним арифметическим и мат.
ожиданием будет стремиться к нулю.
Слайд 11

Говорят, что при достаточно большом числе опытов среднее арифметическое наблюдаемых значений

Говорят, что при достаточно большом
числе опытов среднее арифметическое
наблюдаемых значений случайной
величины

сходится по вероятности к ее
математическому ожиданию. Это значит,
что при стремлении n к бесконечности
вероятность того, что среднее
арифметическое и мат. ожидание будут
сколь угодно близки, стремиться к единице.
Слайд 12

Пусть Хi - значение, принятое случайной величиной Х в i-ом опыте.

Пусть Хi - значение, принятое случайной величиной Х в i-ом опыте.
Чтобы

найти среднее арифметическое значений Х в серии из n опытов, нужно сложить все значения, полученные в опытах, и разделить на число этих опытов:

Доказательство:

По свойству математического ожидания выразим мат. ожидание Yn через мат. ожидание Xi:

Слайд 13

Все величины Хi распределены как случайная величина Х. Следовательно, M[Xi]=M[X]=a Так

Все величины Хi распределены как случайная
величина Х. Следовательно,

M[Xi]=M[X]=a

Так как

опыты проводятся независимо, то случайные величины Хi следовательно, для дисперсии величиныYn имеем:
Слайд 14

Все величины Хi распределены как случайная величина Х. Следовательно, D[Xi]=D[X]=d Применим неравенство Чебышева:

Все величины Хi распределены как случайная величина Х. Следовательно,
D[Xi]=D[X]=d

Применим

неравенство Чебышева:
Слайд 15

В качестве СВ Х подставим Yn : Подставляем найденное значение математического

В качестве СВ Х подставим Yn :

Подставляем найденное значение математического ожидания

и дисперсии:

Величина

при

следовательно

Слайд 16

Следствием закона больших чисел является теорема Я. Бернулли. Она устанавливает связь

Следствием закона больших чисел является теорема Я. Бернулли.
Она устанавливает связь между

частотой события и его вероятностью.
Слайд 17

ТЕОРЕМА БЕРНУЛЛИ Пусть событие А происходит в опыте с вероятностью р.

ТЕОРЕМА БЕРНУЛЛИ

Пусть событие А происходит в опыте с
вероятностью р. Будем проводить

серии из
n независимых опытов и вычислять частоту
γn наступления события А в этих сериях.
Тогда для любого ε>0 вероятность того,
что отклонение частоты события от его
вероятности будет больше, чем ε,
будет стремиться к нулю при не ограниченном
возрастании числа опытов в каждой серии:
Слайд 18

Слайд 19

КОММЕНТАРИЙ Если проводятся серии из n опытов, то от одной серии

КОММЕНТАРИЙ
Если проводятся серии из n опытов, то от
одной серии к

другой, частота события
будет меняться случайным образом и не
будет совпадать с вероятностью этого
события. Но при увеличении длины серий
это отличие будет уменьшаться и при n
стремящемся к бесконечности, разница
между частотой и вероятностью будет
стремится к нулю. Говорят, что при
достаточно большом числе опытов частота
события сходится по вероятности к
вероятности данного события.
Слайд 20

Пусть Х - случайная величина, которая равна 1, если событие А

Пусть Х - случайная величина, которая равна 1, если событие А

произошло в опыте и равна 0, если событие А не произошло.
Ряд распределения этой СВ будет иметь вид:

Тогда математическое ожидание и дисперсия Х будут соответственно равны:
M[X]=p, D[X]=pq.

Доказательство:

Слайд 21

Частота γn представляет собой величину А это есть среднее арифметическое величины.

Частота γn представляет собой величину

А это есть среднее арифметическое величины.

Согласно закону больших чисел эта величина сходится по вероятности к математическому ожиданию.
Поэтому
Слайд 22

ЦЕНТРАЛЬНАЯ ПРЕДЕЛЬНАЯ ТЕОРЕМА ЦПТ устанавливает условия, при которых возникает самый распространенный

ЦЕНТРАЛЬНАЯ ПРЕДЕЛЬНАЯ ТЕОРЕМА

ЦПТ устанавливает условия, при которых возникает самый распространенный

закон распределения - нормальный закон.

Он возникает во всех случаях, когда исследуемая случайная величина может быть представлена в виде суммы достаточно большого числа независимых (или слабо зависимых) слагаемых, каждое из которых в отдельности слабо влияет на сумму.

Например, отклонение от цели при стрельбе вызывается ошибкой наводки, ошибкой в определении дальности, вибрацией оружия, атмосферными условиями и пр.

Слайд 23

Поэтому отклонение снаряда от цели обусловлено суммой всех элементарных отклонений. Поскольку

Поэтому отклонение снаряда от цели обусловлено суммой всех элементарных отклонений.
Поскольку

этих факторов очень много и они в основном являются независимыми и приблизительно равными по действию, то согласно центральной предельной теореме, общее отклонение снаряда должно подчиняться распределению Гаусса.
Слайд 24

Если Х1, Х2... Хn - независимые случайные величины, имеющие один и

Если Х1, Х2... Хn - независимые случайные
величины, имеющие один и

тот же закон
распределения с математическим
ожиданием, равным m, и дисперсией σ2,
то при неограниченном увеличении n
закон распределения суммы

неограниченно приближается к
нормальному закону распределения.

Слайд 25

Практически, ЦПТ можно пользоваться, когда число слагаемых в сумме невелико, порядка

Практически, ЦПТ можно пользоваться, когда число слагаемых в сумме невелико, порядка

10 или еще меньше.
ЦПТ часто применяют для нахождения вероятности того, что сумма нескольких случайных величин окажется в заданных пределах.

Если Х1 Х2... Хn - независимые случайные величины, с математическими ожиданиями
m1 m2... mn
и дисперсиями
D1 D2... Dn
и выполняются условия ЦПТ, то вероятность того, что случайная величина

Слайд 26

попадает в интервал от α до β выражается формулой где mz

попадает в интервал от α до β выражается формулой

где mz ,

σz - математическое ожидание и среднее квадратичное отклонение случайной величины Z, Ф - функция Лапласа.
Слайд 27

То есть, чтобы приближенно найти вероятность попадания суммы большого числа случайных

То есть, чтобы приближенно найти вероятность попадания суммы большого числа случайных

величин на заданный участок, не требуется знать законы распределения этих величин - достаточно лишь знать их характеристики.

На практике часто применяются формулы, в которых вместо суммы случайных величин Хi фигурирует их нормированная сумма:

Слайд 28

Если закон распределения величины Z близок к нормальному с параметрами mz

Если закон распределения величины Z близок к нормальному с параметрами mz

σz , то закон распределения величины Y близок к нормальному с параметрами
M[Y]=0, D[Y]= σy =1.
Тогда

ЦПТ может применяться не только к непрерывным, но и к дискретным случайным величинам, если оперировать не плотностями вероятности, а функциями распределения.

Слайд 29

Если величины Х1 Х2... Хn – дискретны, то их сумма тоже

Если величины Х1 Х2... Хn – дискретны, то их сумма тоже

дискретная случайная величина.
Строго говоря, она не может подчиняться нормальному распределению.
Но все полученные формулы остаются в силе, так как в них фигурируют не плотности, а функции распределения.
Т.е., если дискретные величины удовлетворяют условиям ЦПТ, то функция распределения их нормированной суммы при увеличении числа n неограниченно приближается к нормальной функции распределения с параметрами (0,1).
Слайд 30

M[Z90]=20·90=1800, D[Z90]= 200·90=18000 Сумма величин Z90=ΣXi за квартал будет распределена по

M[Z90]=20·90=1800, D[Z90]= 200·90=18000

Сумма величин Z90=ΣXi за квартал будет распределена по нормальному

закону c параметрами

Следовательно,
σ[Z90]=134

Находим искомую вероятность:

Слайд 31

Частным случаем ЦПТ для дискретных случайных величин является Пусть событие А

Частным случаем ЦПТ для дискретных случайных величин является

Пусть событие А

происходит с
вероятностью р. Будем проводить
серии из n опытов и считать число k
наступления события А в таких сериях.
Тогда при большом n справедлива
формула:

ТЕОРЕМА МУАВРА-ЛАПЛАСА