Вопросы. вопросы. 1. Вероятность. Вероятностное пространство. Свойства
![]()
|
№13. Центральная предельная теорема для разнораспределенных слагаемых. (Теорема Линдеберга-Феллера.)В "Основы вероятностно-статистических методов описания неопределенностей" уже был приведен простейший вариант центральной предельной теоремы (ЦПТ) теории вероятностей. Центральная предельная теорема (для одинаково распределенных слагаемых). Пусть ![]() ![]() ![]() ![]() ![]() где ![]() Эту теорему иногда называют теоремой Линдеберга-Леви [ ![]() В ряде прикладных задач не выполнено условие одинаковой распределенности. В таких случаях центральная предельная теорема обычно остается справедливой, однако на последовательность случайных величин приходится накладывать те или иные условия. Суть этих условий состоит в том, что ни одно слагаемое не должно быть доминирующим, вклад каждого слагаемого в среднее арифметическое должен быть пренебрежимо мал по сравнению с итоговой суммой. Наиболее часто используется теорема Ляпунова. Центральная предельная теорема (для разнораспределенных слагаемых) - теорема Ляпунова. Пусть ![]() ![]() ![]() ![]() ![]() ![]() где ![]() Тогда для любого действительного числа ![]()
где ![]() В случае одинаково распределенных случайных слагаемых ![]() и теорема Ляпунова переходит в теорему Линдеберга-Леви. История получения центральных предельных теорем для случайных величин растянулась на два века - от первых работ Муавра в 30-х годах XVIII в. до необходимых и достаточных условий, полученных Линдебергом и Феллером в 30-х годах XX в. Теорема Линдеберга-Феллера. Пусть ![]() ![]() ![]() ![]() ![]() где ![]() ![]() Доказательства перечисленных в настоящем подразделе центральных предельных теорем для случайных величин можно найти в классическом курсе теории вероятностей [ [ 2.3 ] ]. Для прикладной статистики большое значение имеет многомерная центральная предельная теорема. В ней речь идет не о сумме случайных величин, а о сумме случайных векторов. Необходимое и достаточное условие многомерной сходимости [ [ 4.23 ] , с.124]. Пусть ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() Приведенная теорема ценна тем, что сходимость векторов сводитcя к сходимости линейных комбинаций их координат, т.е. к сходимости обычных случайных величин, рассмотренных ранее. Однако она не дает возможности непосредственно указать предельное распределение. Это можно сделать с помощью следующей теоремы. Теорема о многомерной сходимости. Пусть ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() Здесь сходимость ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() Многомерная центральная предельная теорема [ [ 4.23 ] ]. Рассмотрим независимые одинаково распределенные ![]() ![]() где штрих обозначает операцию транспонирования вектора. Предположим, что случайные векторы ![]() ![]() где ![]() ![]() ![]() Тогда случайный вектор ![]() ![]() ![]() ![]() ![]() ![]() Здесь ![]() ![]() ![]() ![]() ![]() Напомним, что многомерным нормальным распределением с математическим ожиданием ![]() ![]() ![]() Многомерная центральная предельная теорема показывает, что распределения сумм независимых одинаково распределенных случайных векторов при большом числе слагаемых хорошо приближаются с помощью нормальных распределений, имеющих такие же первые два момента (вектор математических ожиданий координат случайного вектора и его корреляционную матрицу), как и исходные векторы. От одинаковой распределенности можно отказаться, но это потребует некоторого усложнения символики. В целом из теоремы о многомерной сходимости вытекает, что многомерный случай ничем принципиально не отличается от одномерного. Пример. Пусть ![]() ![]() ![]() Их математическое ожидание - вектор теоретических начальных моментов, а ковариационная матрица составлена из соответствующих центральных моментов. Тогда ![]() ![]() ![]() |