romanovskiy_romanovskaya_elementy_teorii_veroyatnostey
.pdfв непрерывном случае
∞ ∞
cov (x1, x2) = ∫ ∫ (x - a1 )( y - a2 ) f (x, y)dxdy . (23)
−∞−∞
Укажем основные свойства ковариации.
10. cov (ξ, ξ) = Dξ.
20. cov (ξ1, ξ2) = M [ξ1, ξ2]-а1а2.
30. Если ξ1, ξ2 независимы, то cov (ξ1, ξ2)=0. 40. |cov (x1, x2) | ≤ s1· s2 .
50. Если в 40 имеет место равенство: |cov(x1,x2)| =s1· s2, то между x1,x2 имеется линейная функциональная связь:
Аx1 + Вx2 + С = 0 при некоторых А,В,С. Геометрически это означает, что реализации случайной
точки (x1, x2) с достоверностью ложатся на прямую Ах + By +
С = 0.
Докажем свойства 10 – 4 0.
1.cov (x, x)= M [(x – a) (x – a)]= Dξ.
2.cov (x1, x2) = M [(x1x2– a1x2 – a2x1 + a1a2] =M [x1·x2] –
a1M [x2] – a2M [x1] + a1 · a2 = M [x1 · x2] – a1 · a2 – a2· a1 + a1 · a2 = M [x1 · x2] – a1 · a2.
3. Из независимости x1,x2 следует независимость случайных величин x1– a1, x2– a2. Так как математическое ожидание произведения независимых случайных величин равно произведению их математических ожиданий, то имеем
cov (x1, x2) = M (x1 – a1) M (x2 – a2)=(M[x1]– a1) (M[x2]– a2)=
=(a1 – a1)( a2 – a2)=0.
4. Доказательство этого свойства проведем для непрерывного случая. Представим указанную в начале параграфа интегральную формулу для ковариации в виде
cov(ξ1 ,ξ 2 ) = ∫∫ϕ1 (x, y) ×ϕ2 (x, y)dxdy,
где обозначено
ϕ1 (x, y) = (x - a1 ) f (x, y), ϕ2 (x, y) = (x - a2 ) f (x, y)
(для удобства записи пределы интегрирования опущены).
61
Воспользуемся известным фактом математического анализанеравенством Буняковского: для любых непрерывных φ1, φ2 и любой области D
∫∫ϕ1ϕ2 dxdy £ ∫∫ϕ12 dxdy × |
|
∫∫ϕ22 dxdy. |
|||||
D |
|
D |
|
D |
|||
Отсюда следует: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
cov(ξ1 ,ξ2 ) £ |
∫∫(x - a1 )2 |
f (x, y)dxdy × |
|
∫∫( y - a2 )2 f (x, y)dxdy. |
|
||
Имеем: |
|
∞ |
∞ |
||||
2 |
|
|
|||||
|
|
∫ (x - a1 )2 dx × |
∫ f (x, y)dy = |
||||
∫∫(x - a1 ) f (x, y)dxdy |
= |
||||||
|
|
−∞ |
−∞ |
||||
∞ |
|
|
|
|
|
|
|
= ∫ (x - a1 )2 f1 (x)dx = Dξ1 |
= σ 12 . |
|
|
|
|||
−∞ |
|
|
|
|
|
|
В этом вычислении учтено свойство 50 плотности вероятности f(х,у) и определение дисперсии непрерывной случайной величины. Аналогично найдем
∫∫( y - a) 2 |
f (x, y)dxdy = σ 22 . |
||||
Таким образом |
|
|
|
|
|
cov(ξ1 ,ξ 2 ) £ |
|
|
× |
|
= σ 1 ,σ 2 , |
σ 12 |
σ 22 |
что и требовалось.
2. На практике при изучении совместных свойств случайных величин, как правило, пользуются нормированной ковариацией или коэффициентом корреляции:
r = |
cov(ξ1 ,ξ2 ) |
. |
(24) |
|
|||
|
σ 1σ 2 |
|
Из свойств ковариации вытекают следующие свойства
коэффициента корреляции. 10. -1 ≤ r ≤ 1.
20. Если r = ± 1, то между x1, x2 имеется линейная функциональная связь (рис.26). Уравнение прямой
62
вычисляется по параметрам (а1, а2, σ1, σ2, r).
ξ2 |
|
ξ2 |
|
|
|
y |
|
0 |
ξ1 |
0 |
ξ1 |
r=1. Прямая связь |
|
r= - 1. Обратная связь |
|
рис. 26 а |
|
|
рис. 26 б |
30. Если ξ1, ξ2 независимы, то r = 0.
Замечание 1. Из 10-30 следует, что коэффициент корреляции (и, соответственно, ковариации) является некой мерой связи между ξ1, ξ2. Более подробные рассмотрения показывают следующее. Если ׀r׀ ≈ 1, то связь между ξ1, ξ2 близка к линейной функциональной: реализации случайной точки (ξ1,ξ2) с практической достоверностью ложатся вблизи заранее прогнозируемой прямой Ах + By + С = 0. Если r ≈ 0, то либо ξ1, ξ2 независимы, либо связь между ними имеется, но далека от линейной связи.
Помнить: коэффициент корреляции является мерой линейной связи между случайными величинами.
Замечание 2. В силу свойства 30 из независимости случайных величин ξ1,ξ2 следует r=0. Обратное утверждение неверно: имеются примеры, когда r=0 и при этом ξ1, ξ2 зависимы. Укажем важный частный случай, когда из r = 0 следует независимость ξ1, ξ2. Будем говорить, что случайные величины ξ1,ξ2 имеют совместное нормальное распределение с параметрами (а1, σ1, а2, σ2, r), если плотность вероятности случайной точки (ξ1, ξ2) дается формулой
f (x, y) = |
|
1 |
|
|
|
− |
1 |
q( x, y ) |
|
|
|
|
|
|
|
e 2 |
, |
(25) |
|||
2πσ σ |
|
|
|
|
||||||
|
2 |
1 − r 2 |
|
|
||||||
1 |
|
|
|
|
|
|
|
|
63
где |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
- a1 |
|
|
2 |
|
|
|
|
|
|
|
y - a |
2 |
|
|
|
2 |
|
2 |
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
q(x, y) = - |
|
|
|
|
|
x |
|
|
|
- 2r |
|
x - a1 |
|
|
|
+ |
|
y - a |
|
|
. |
|||||||||||||||||||
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
2(1 - r |
|
|
|
|
σ 1 |
|
|
|
|
|
|
|
σ 1 |
|
|
|
σ 2 |
|
|
|
|
σ 2 |
|
|
|
|
|||||||||||||
|
|
|
) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Можно показать, что а1, а2 – |
математические ожидания, σ1, |
|
|
|||||||||||||||||||||||||||||||||||||
σ2 – СКО |
случайных |
величин |
|
|
|
x1, |
x2, |
r- коэффициент |
|
|
||||||||||||||||||||||||||||||
корреляции. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
f (x, y) = f1 (x) f 2 ( y), |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(26) |
|
|
||||||||||||||||||||
где |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
− |
( x−a1 )2 |
|
|
|
|
|
|
|
1 |
|
|
|
− |
( y −a2 )2 |
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
2σ |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
||||||||||
f1 (x) = |
|
|
|
|
|
|
|
e |
1 , |
f 2 ( y) = |
|
|
|
|
|
|
e |
|
|
2σ 2 . |
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
σ 2 2π |
|
σ 2 |
2π |
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||
Нетрудно показать, используя свойство 50 плотности |
|
|
||||||||||||||||||||||||||||||||||||||
вероятности f(x,y), что f1(x), |
f2(y) |
|
– |
плотности вероятности |
|
|
||||||||||||||||||||||||||||||||||
случайных величин x1, x2; поэтому в силу свойства 60 |
f(x,y) |
|
|
|||||||||||||||||||||||||||||||||||||
x1, x2 независимы. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
Помнить: в нормальном случае коэффициент |
|
|
||||||||||||||||||||||||||||||||||||||
корреляции является точной мерой связи между x1, x2. |
|
|
|
|
|
|||||||||||||||||||||||||||||||||||
Замечание 3. Числа (а1, σ1, а2, σ2, r) называются |
|
|
||||||||||||||||||||||||||||||||||||||
числовыми характеристиками случайной точки (x1, x2). Пары |
|
|
||||||||||||||||||||||||||||||||||||||
(а1, σ1), (а2, σ2) характеризуют отдельно x1, x2; r является |
|
|
||||||||||||||||||||||||||||||||||||||
мерой связи между x1, x2. В непрерывном случае параметр r |
|
|
||||||||||||||||||||||||||||||||||||||
вычисляется по формулам (23), (24), остальные параметры – |
|
|
||||||||||||||||||||||||||||||||||||||
по формулам |
|
∞ ∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∞ ∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
a1 = ∫ ∫ xf (x, y)dxdy, |
a2 |
= ∫ ∫ yf (x, y)dxdy, |
|
|
|
|
|
|||||||||||||||||||||||||||||||||
|
|
−∞−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
−∞−∞ |
|
|
|
|
|
|
|
|
|
(27) |
|
|
|||||||
∞ ∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∞ ∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
σ 12 = ∫ ∫ (x - a1 )2 |
f (x, y)dxdy, σ 22 |
= ∫ ∫ ( y - a2 )2 |
f (x, y)dxdy. |
|
|
|||||||||||||||||||||||||||||||||||
−∞−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
−∞−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
Пример 1. Найти числовые характеристики случайной |
|
|
||||||||||||||||||||||||||||||||||||||
точки (x1, x2) в ситуации примера на стр.57. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
Решение. Имеем |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
a = a |
|
= 1× |
1 |
+ 2 × |
1 |
+ 3 × |
1 |
= 2; |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
1 |
|
|
|
|
|
3 |
|
3 |
|
|
|
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
64
D = D |
|
= (1 - 2)2 |
× |
1 |
+ (2 - 2) 2 × |
1 |
|
+ (3 - 2)2 × |
1 |
= 1× |
1 |
+1× |
1 |
= |
2 |
; |
||||
2 |
|
|
|
|
|
|
||||||||||||||
1 |
|
3 |
3 |
|
3 |
3 |
2 |
3 |
|
|||||||||||
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
s1 = s2 = |
|
|
2 |
. |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
3 |
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Коэффициент корреляции найдем по формулам (22), (24) с учетом свойства 20 для ковариации. Имеем
m |
n |
M [x1 · x2] = ∑∑ pij xi y j = |
|
i=1 |
j=1 |
=0×1×1+1×3×1+1×3×1+1×1×2+0×2×2+1×2×3+1×3×1+1×3×2+0×3×3=11,
6 |
6 |
|
|
6 |
6 |
6 |
6 |
3 |
|||||
откуда |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
11 |
- 4 |
|
|
|
|
|
|
|
||
|
r = |
3 |
= - |
1 |
. |
|
|
|
|||||
|
|
|
|
|
|
|
|||||||
|
|
2 |
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
2 |
|
|
|
|
||
|
|
|
|
|
3 |
|
|
|
|
|
|
|
|
Пример 2. Найти числовые характеристики случайной точки (x1, x2) в ситуации примера на стр. 60.
Решение. Имеем
|
|
|
|
а1 = а2 = 1, D1 |
= D2 |
= |
|
1 |
, s1 = s2 = |
|
1 |
|
. |
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
2 |
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
Коэффициент корреляции найдем по формулам (23), (24) |
||||||||||||||||||||||||||||||||||
|
|
|
|
|
cov (x1, x2) = |
|
|
2 |
∫∫ (x -1)( y -1)dxdy = |
|||||||||||||||||||||||||
|
|
|
|
|
|
|
9 |
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
2 |
3 |
|
3− x |
2 |
3 |
|
|
|
|
|
|
y |
2 |
|
|
|
|
3− x |
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||
= |
|
∫ (x −1)dx ∫ ( y −1)dy = |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= |
|
|
||||||||||||||
9 |
|
9 |
|
∫ (x −1)dx |
2 |
|
− y |
|
|
|
|
|||||||||||||||||||||||
|
0 |
|
0 |
|
0 |
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
2 3 |
|
(3 − x) 2 |
|
|
|
|
|
2 3 (3 − x) |
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
= |
|
|
∫ |
|
|
|
|
|
|
|
= |
|
|
|
∫ |
|
|
|
|
|
|
−1 (x −1)(3 − x)dx = |
||||||||||||
|
|
(x −1) |
|
− (3 − x) dx |
|
|
|
|
|
|
|
|
||||||||||||||||||||||
|
9 |
0 |
|
2 |
|
|
|
|
|
9 |
|
0 |
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
1 |
3 |
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3 = − |
1 |
|
|||||||||
= − |
∫ (x −1) 2 (3 − x)dx = − |
(5x 2 − x 3 − 7 x + 3) |
, |
|||||||||||||||||||||||||||||||
|
|
|
||||||||||||||||||||||||||||||||
|
|
9 |
0 |
|
|
9 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
4 |
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
65
откуда
|
− |
1 |
|
|
|
||
|
|
|
|
1 |
. |
||
r = |
4 |
= − |
|||||
|
|
||||||
|
|
1 |
|
2 |
|
||
|
2 |
|
|
|
|
§4. Совместное распределение нескольких случайных величин. Многомерный нормальный закон
Пусть с испытанием связаны n случайных величин x1, x2,…., ξn. Укажем кратко, как введенные в этой главе понятия переносятся на этот случай.
1. Совместной функцией распределения случайных величин x1, x2,…., ξn называется функция
F (x1 , x2 ,...., xn ) = P(ξ1 < x1 ,ξ2 < x2 ,....,ξn < xn ).
Совместной плотностью вероятности случайных величин x1,
x2,…., |
ξn называется функция |
|
|
|||||||
f (x , x |
|
,...., x |
|
) = |
lim |
|
P(x1 < ξ1 |
< x1 + Dx1 ,..., xn < ξn < xn + Dxn ) |
. |
|
2 |
n |
|
|
|
||||||
1 |
|
|
x1 |
,..., xn |
→0 |
Dx1 ×....... × Dxn |
||||
|
|
|
|
|
Имеет место равенство
f (x1 , x2 ,..., xn ) = ¶n F (x1 , x2 ,..., xn ) .
2. Обозначим аi, σj математическое ожидание и СКО случайной величины ξi, кij – ковариацию случайных величин ξi, ξj:
kij = cov(ξi ,ξ j ) = M [(ξi - ai )(ξ j - a j )].
Матрица
|
k |
|
k |
... |
k |
|
|
|
|
11 |
12 |
... |
|
1n |
|
D = |
k21 |
k22 |
k2n |
|
|||
|
|
|
|
|
|
|
|
|
.............................. |
||||||
|
|
|
kn 2 |
... |
knn |
|
|
|
kn1 |
|
называется дисперсионной матрицей случайных величин x1, x2,…., ξn. Отметим следующие свойства матрицы D.
66
10. Элементы главной диагонали матрицы D – дисперсии случайных величин ξ1, ξ2,…., ξn:
k |
ii |
= D[ξ |
] = σ 2 |
, i = 1,2,..., n. |
|
i |
i |
|
20. Матрица D симметрическая: kij=kji.
30. Собственные числа матрицы D неотрицательны. Свойства 10, 20 очевидны. Предлагаем читателю
проверить свойство 30 для частного случая n=2. В этом случае матрица D имеет вид
|
2 |
rσ 1σ |
|
|
(28) |
|
D = σ |
1 |
2 |
, |
|||
rσ σ |
2 |
σ |
2 |
|
|
|
|
1 |
|
2 |
|
|
где r – коэффициент корреляции случайных величин ξ1, ξ2. 3. В §3 этой главы было введено понятие совместного
нормального распределения случайных величин ξ1, ξ2 – см.формулу (25). Это понятие обобщается следующим образом. Говорят, что случайные величины ξ1, ξ2,…., ξn имеют совместное нормальное распределение, если совместная плотность вероятности дается формулой
|
|
|
|
) = |
1 |
1 |
q ( x1 |
, x2 |
,...,xn ) , |
|||||||
f (x , x |
2 |
,..., x |
n |
|
|
|
|
e |
2 |
|||||||
|
n |
|
|
|
|
|
||||||||||
1 |
|
|
(2π ) |
1 |
|
|
|
|
|
|
||||||
|
|
|
|
|
2 |
|
D |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где D - определитель дисперсионной матрицы D,
n
q(x1 , x2 ,..., xn ) = ∑cij (xi − ai )(x j − a j ),
i, j =1
сij – элементы матрицы C=D-1.
Нетрудно проверить, что в частном случае n=2 это определение совпадает с определением (25); для этого нужно воспользоваться формулой (28) для матрицы D и формулой обращения матрицы второго порядка с отличным
от нуля определителем: |
−1 |
|
|
|
|
a |
b |
1 d |
− b |
||
|
|
= |
|
|
|
|
|||||
c |
d |
|
ad − bc − c |
a |
(предлагаем читателю выполнить проверку самостоятельно).
67
Справедливы утверждения: если x1, x2,…., ξn имеют совместное нормальное распределение, то каждая из них отдельно также нормальна; если каждая ξi нормальна и при этом x1, x2,…., ξn независимы, то их совместное распределение также нормально, и имеет место формула
f (x1 , x2 ,..., xn ) = f1 (x1 ) × f 2 (x2 ) ×... × f n (xn ),
где fi(x) – плотность вероятности ξi. В общей ситуации из нормальности каждой отдельно ξi не вытекает нормальность совместного распределения.
Понятие совместного нормального распределения играет важную роль в приложениях теории вероятностей.
Глава 5. Закон больших чисел. Предельные теоремы
Под законом больших чисел понимают закономерности в массовых случайных явлениях, когда взаимодействие большого числа случайных факторов приводит к неслучайному результату. Пример закономерности такого типа приведен во введении: доля наступления случайного события в длинной серии независимых одинаковых испытаний практически неслучайна. Другой замечательный пример: оказывается, в ряде случаев закон распределения суммы большого числа случайных слагаемых не зависит от законов распределения слагаемых и может быть предсказан! Назначение предельных теорем теории вероятностей: дать строгие формулировки и обоснования различных форм закона больших чисел. В этой главе мы кратко рассмотрим результаты такого типа.
§1. Закон больших чисел в форме Чебышева
На практике хорошо известна следующая закономерность, которую можно сформулировать так: среднее арифметическое большого числа независимых однотипных случайных факторов практически неслучайно. Например, среднее
68
арифметическое большого числа измерений одной и той же величины практически не отличается от истинного значения этой величины; средняя кинетическая энергия большого числа хаотически движущихся молекул практически неслучайна и характеризует температуру тела.
Методы теории вероятностей позволяют дать строгую математическую формулировку этого закона.
Пусть имеется бесконечная последовательность случайных величин
ξ1, ξ2, … , ξn, … (29)
Будем кратко называть случайные величины (29) однотипными, если они имеют одно и тоже математическое
ожидание а и одну и туже дисперсию D.
Теорема. Пусть случайные величины (29) однотипны и независимы, тогда имеет место соотношение
|
|
|
ξ+ ξ+ K + ξ |
|
|
|
|
|
|
|
|
|
|
|
|
||||||
P |
|
|
1 2 |
n |
− a |
|
< ε |
→ 1 |
при n |
→ ∞, (30) |
|
|
|||||||||
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
где а = М [ξk], k = 1, 2, …, |
|
ε – любое как угодно малое |
||||||||
положительное число. |
|
|
|
|
|
|
|
Это означает: при достаточно большом n с практической достоверностью (с вероятностью ≈ 100%) выполняется равенство
ξ1 + ξ2 + K + ξn ≈ a . n
Эта теорема впервые была доказана русским математиком П.Л. Чебышевым. Доказательство теоремы основано на трех леммах.
Лемма 1. Пусть случайная величина η≥ 0. Тогда справедливо неравенство
Р (η≥ ) ≤ mη , (31)
где – любое положительное число.
Доказательство проведем для непрерывной случайной
69
величины. Плотность вероятности случайной величины h f (х) = 0 при х < 0, так как h≥ 0.
По определению математического ожидания имеем:
∞ |
∞ |
∞ |
∞ |
mη = ∫ xf (x)dx = ∫ xf (x)dx ≥ ∫ xf (x)dx ≥ ∫ D × f (x)dx = |
|||
−∞ |
0 |
|
|
∞ |
|
|
|
= D∫ f (x)dx = D × P(ηÎ[D, ¥)) = D × P (h≥ D), |
|
откуда следует неравенство (31). |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Лемма 2. Пусть x – |
случайная величина с числовыми |
|||||||||||||||
характеристиками (а, D), тогда справедливо неравенство: |
|
|
||||||||||||||
|
Р (| x – a| <ε ) ≥ 1 – |
|
|
D |
. |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
ε 2 |
|
|
|
|
|
|
|
|
||
Доказательство. Имеем |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
2 |
|
2 |
|
|
|
|
M [(ξ- a)2 ] |
|
D |
|||||
Р (| x – a| ≥ ε ) = P ((x – a) |
≥ ε |
|
) ≤ |
|
|
|
|
|
= |
|
. |
|||||
|
|
ε 2 |
|
|
ε 2 |
|||||||||||
Здесь использовано неравенство (31) при h = (x – |
a)2, |
D = ε 2. |
||||||||||||||
Из полученного неравенства следует |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Р (| x – a| <ε ) = 1 – Р (| x – a| ≥ ε ) ≥ 1 – |
|
D |
. |
|
|
|
||||||||||
|
ε 2 |
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Лемма |
3. Пусть |
x1, x2, |
…, xn |
- независимые |
||||||||||||
однотипные |
случайные |
величины |
с |
числовыми |
характеристиками (а, D). Тогда при любом e>0 справедливо неравенство
|
|
|
|
ξ+ ξ+ K + ξ |
|
< ε |
|
|
D |
|
||||||
|
|
|
|
|
|
|||||||||||
|
|
|
|
1 |
2 |
n |
- a |
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
≥ 1 – |
|
2 . |
(32) |
|||||
|
|
P |
|
|
|
|
|
n |
|
nε |
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
где ε – |
|
|
|
|
|
|
|
|
|
|
|
|
||||
любое |
положительное число, |
|
a = M [xi], |
D = D [xi], |
||||||||||||
i = 1, 2, …, n.. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Неравенство (32) называется неравенством Чебышева. |
||||||||||||||||
|
Доказательство. Обозначим |
|
|
|
|
|
|
|||||||||
|
ξ+ ξ+K + ξ |
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
= ξ. |
|
|
|
|
|
|
|
|
|
||||||
1 |
2 |
|
n |
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n
70