I неравенство Чебышева
Пусть X - неотрицательная СВ, имеющая конечное математическое ожидание М(Х), тогда имеет место неравенство вида: , для любого ε > 0.
Т.е. вероятность того, что СВ Х, не меньше ε, не превосходит её математическое ожидание, делённое на ε.
Доказательство:
Введём Yε – СВ - индикатор события X ≥ ε
Yε = 1 – при X ≥ ε
Yε = 0 – при 0 ≤ X ≤ ε
Составим закон распределения СВ Yε:
-
Yε
0
1
Pi
P1
P2
Тогда в силу неотрицательности СВ Х: и для события X ≥ ε можно заменить Х на ε: . Это неравенство сохранится, если мы применим к нему математическое ожидание:
заменяем M(Yε) на вероятность:
ч.т.д.
II неравенство Чебышева
Пусть СВ Х имеет M(X) и D(X). Тогда второе неравенство Чебышева показывает, что вероятность того, что отклонение СВ Х от своего математического ожидания не превосходит дисперсию деленную на ε2:
Доказательство: Рассмотрим неравенство , так как обе стороны неравенства положительные возведем в квадрат: . Т.к. эти события равносильны, то и вероятности их равны:
К последнему применим I неравенство Чебышева:
ч.т.д.
Другой вид II неравенства Чебышёва:
§ Сходимость по вероятности
Ч
О
исло а называется пределом по вероятности для СВ Хn, зависящей от порядкового номера n, если для любого сколь угодно малого положительного числа ε выполняется неравенство:
Другая запись:
Из этого равенства следует, что СВ Xn примерно равна а, и это выполняется с любой наперёд заданной точностью и надёжностью.
Предел по вероятности отличается от обычного предела последовательности:
1. Для обычного предела {Xn}:
: для любого ε > 0 существует такое N = N(ε): такое что как только n>N, будет выполняться неравенство: |Xn - a| < ε.
В случае предела по вероятности:
: неравенство |Xn - a| < ε может не выполняться для отдельных значений n; этот предел обладает менее жёсткими требованиями.
§ Закон больших чисел в форме теоремы Чебышева
Под Законом Больших Чисел понимается группа теорем (теоремы Чебышёва, Бернулли, Хинчина и др.); эти теоремы устанавливают условия устойчивости поведения среднего арифметического последовательности случайных величин.
Случайные отклонения от среднего – неизбежные в каждом отдельном явлении, а в массе они взаимно погашаются.
При достаточно большом n среднее арифметическое последовательностей утрачивает случайность и начинает вести себя практически как неслучайная величина, что позволяет предсказывать результаты массовых случайных явлений почти с полной определённостью.
Т
Т
еорема ЧебышеваПусть имеется бесконечная последовательность СВ X1,X2,...,Xn , которые:
Попарно независимы
Имеют различные математические ограничения М(X1), М(X2)… М(Xn)
Дисперсия каждой из величин не превосходит постоянного числа С:
D(Хi) ≤ С
Тогда среднее арифметическое первых n случайных величин сходится по вероятности к среднему арифметическому их математических ожиданий:
Доказательство: Введём событие , тогда
Согласно II неравенству Чебышева будет выполнятся след условие:
, для ε > 0 (*)
В пределе:
Возьмем придел по вероятности выражения (*):
Таким образом
Следствие: Предположим, что все математические ожидания равны:
М(Хi) = а при i=1,2,..., n, тогда:
Получяется, что среднее арифметическое при n стремящимся к бесконечности практически становится конечным числом.
§ Сущность Теоремы Чебышева
Хотя отдельные независимые СВ могут принимать значения далёкие от их математического ожидания, среднее арифметическое достаточно большого числа случайных величин с большой вероятностью принимает значение близкое к постоянному числу:
Поведение каждой из случайных величин и их среднего арифметического отличаются; нельзя заранее предсказать, какое из значений примет случайная величина, но можно предсказать, какое из значений примет среднее арифметическое всех случайных величин.
§ Значение Теоремы Чебышёва для практики
Обычно для измерения некоторой постоянной физической величины производят несколько измерений, а после – находят их среднее арифметическое, которое и принимают за искомое значение. Следствие из теоремы Чебышёва даёт обоснование правильности такого способа измерения, а также указывает на условия, при которых он может быть применен. На теореме Чебышёва основан широко применяемый в статистике выборочный метод, суть которого состоит в том, что по сравнительно небольшой случайной выборке судят о всей совокупности исследуемых объектов.
§ Теорема Бернулли
Е
Т
сли производится бесконечная последовательность испытаний по схеме Бернулли относительно некоторого события А (события попарно независимы, а вероятность наступления события А равна р), то вероятность отклонения относительной частоты от вероятности р наступления события А будет сколь угодно малой, если число испытаний n неограниченно возрастает:, где - относительная частота события А
Доказательство: Обозначим через Х - ДСВ, которая есть число появлений события А в n испытаний. Через Jk обозначим число появления события А в k-том испытании, – это индикатор события А. Тогда:
Составим закон распределения для индикатора:
-
Jk
0
1
P
q
p
q = 1- р
Запишем:
Применим теорему Чебышева для первых n членов:
ч.т.д.
Сущность теоремы Бернулли
1 . Теорема Бернулли объясняет, почему относительная частота событий при n ∞ обладает свойством устойчивости.
2. Теорема Бернулли оправдывает статистическое определение вероятности.
Лекция 13
§ Понятие о центральной предельной теореме (ЦПТ)
Д
О
ругая группа предельных теорем, устанавливающая сходимость законов распределения для последовательности сумм случайных величин (в виде ее особой важности как для теории, так и для приложений), носит название Центральной предельной теоремы.С одной из этих теорем мы уже знакомы – это теорема Муавра-Лапласа. Она является лишь частный случай ЦПТ.
В ЦПТ исследуется вопрос возникновения нормального распределения как предельного для суммы случайных величин, имеющих различные законы распределения с увеличением числа слагаемых. Эта проблема в общей форме была поставлена в исследованиях Чебышева, а его ученик Ляпунов в 1901 году получил весьма общие достаточные условия, и поэтому теорема носит его имя. В 1922 году финский математик Линдеберг получил достаточные условия, оказавшиеся затем и необходимыми – это выяснил американский математик Феллер в 1935 году.
Приведем формулировку ЦПТ в случае, когда слагаемые распределены одинаково – это Теорема Леви.
Теорема Леви
С
О
В X является центрированной и нормированной, если ее математическое ожидание равно нулю, а ее дисперсия равна единице.Можно показать, что любая СВ с конечной дисперсией σ2 и M(X)=а можно центрировать и нормировать с помощью следующих действий:
- центрированная и нормированная случайная величина.
При и
Для суммы случайных величин Sn = X1 + X2 +…+ Xn, при , ,
составим центрированную и нормированную величину Yn :
Т
Т
еорема Леви (ЦПТ в случае одинаково распределенных случайных величин):1. Пусть СВ X1, X2, …, Xn – взаимно независимы и одинаково распределены;
2. , при i = 1,2, …, n
3. , при i = 1,2, …, n
Тогда функция распределения центрированной и нормированной суммы этих случайных величин для Yn, при n → ∞ – стремится к функции распределения нормальной СВ с параметрами (0;1). Т.е. для любого фиксированного Х функция распределения Yn будет стремится к следующему нормальному закону распределения случайной величины:
- Функция Лапласа
Нормальный закон распределения широко применяется во всех явлениях:
ошибка измерения распределена нормально, т.к. является суммой большого числа малых ошибок, происходящих из-за колебания параметров среды измерения, а также колебаний состояния субъекта и объекта измерения;
нормально распределены координаты точек падения снарядов
нормально распределена шумовая помеха, возникающая внутри радиотехнических устройств.