Главная страница
Навигация по странице:

  • 1. Теорема Чебышева

  • Теорема Чебышева.

  • 2. Центральная предельная теорема

  • Теорема Ляпунова.

  • 3. Теорема Бернулли

  • Теорема Бернулли.

  • Лекция 5. Закон больших чисел. Лекция 5 Закон больших чисел


    Скачать 2.79 Mb.
    НазваниеЛекция 5 Закон больших чисел
    Дата05.09.2022
    Размер2.79 Mb.
    Формат файлаpdf
    Имя файлаЛекция 5. Закон больших чисел.pdf
    ТипЛекция
    #662653

    1
    Лекция № 5
    Закон больших чисел
    Закон больших чисел (ЗБЧ) представляет собой ситуацию, когда сово- купное действие большого числа случайных факторов приводит к результату, независящему от случая. Все основные формулы и выводы следующего раз- дела этих лекций (математической статистики) основаны на результатах ЗБЧ
    Мы рассмотрим здесь только некоторые важные теоремы, являющиеся яркими представителями в соответствующих областях и применяемые ниже, хотя число похожих теорем больше сотни (при самых различных предполо- жениях, подходящих для разнообразных жизненных ситуаций).
    1. Теорема Чебышева
    Прежде всего, посмотрим (приводим без доказательства) на теорему
    П.Л. Чебышева (1821 – 1894). Он унаследовал крупное, процветающее поме- стье. Но, чтобы составить состояние своим сёстрам, необходимое как прида- ное (надо сказать, что в то время состояние переходило лишь по мужской линии), он играл на бирже. И очень успешно (и сумел-таки составить выгод- ную компанию своим сестрам и выдать их замуж), а в игре ему помогали его научные результаты!
    Теорема Чебышева. Пусть:
    а)
    n
    X
    X
    X
    ,
    ,
    ,
    2 1

    - независимые случайные величины;
    б) существуют
    )
    (
    i
    X
    M
    и
    )
    (
    i
    X
    D
    для всех
    n
    i
    ,
    ,
    2
    ,
    1


    ;
    в)
    C
    X
    D
    i

    )
    (
    (при некотором положительном
    C
    ) для всех
    n
    i
    ,
    ,
    2
    ,
    1


    .
    Тогда:
    1
    )
    (
    )
    (
    )
    (
    lim
    2 1
    2 1

    


    











    

    n
    X
    M
    X
    M
    X
    M
    n
    X
    X
    X
    P
    n
    n
    n


    при любом
    0


    .
    Следствие. Если независимые случайные величины
    n
    X
    X
    X
    ,
    ,
    ,
    2 1

    имеют
    одинаковые математические ожидания
    a
    X
    M
    i

    )
    (
    ,
    n
    i
    ,
    ,
    2
    ,
    1


    ,
    и
    C
    X
    D
    i

    )
    (
    ,
    n
    i
    ,
    ,
    2
    ,
    1


    ,
    то
    1
    lim
    2 1

    


    








    

    a
    n
    X
    X
    X
    P
    n
    n

    .
    То есть (в общем случае) среднее арифметическое в пределе не отли- чается от математического ожидания (с вероятностью
    1
    )!

    2
    Пример. Посмотрим на ситуацию в страховом бизнесе. Пусть
    i
    X
    - убыток какого-то страхователя (того, кто страхуется) при наступлении стра- хового случая. Понятно, что все эти убытки имеют примерно одно и же ма- тематическое ожидание:
    a
    X
    M
    i

    )
    (
    .
    Тогда (по следствию из теоремы Чебышева) средний убыток всех страхова- телей:
    n
    X
    X
    X
    n




    2 1
    есть величина постоянная!
    2. Центральная предельная теорема
    Это на самом деле группа теорем, устанавливающих связь с нормаль- ным законом распределения величины
    X
    с функцией плотности распределе- ния вероятности (рис. 9.1):
    e
    a
    x
    x
    2 2
    2
    )
    (
    2 1
    )
    (







    , где
    )
    (X
    M
    a
    ,
    )
    (
    2
    X
    D


    параметры распределения.
    Рис. 9.1. Плотность распределения нормальной случайной величины
    Приведём формулировку одной из таких теорем (приводим без доказательст- ва).
    Теорема Ляпунова. Если:
    а)
    n
    X
    X
    X
    ,
    ,
    ,
    2 1

    - независимые случайные величины;
    б) существуют
    i
    i
    a
    X
    M

    )
    (
    и
    2
    )
    (
    i
    i
    X
    D


    для всех
    n
    i
    ,
    ,
    2
    ,
    1


    ;
    в) существуют величины


    i
    i
    i
    m
    a
    X
    M


    3
    и
    0
    lim
    2
    /
    3 1
    2 1












    

    n
    i
    i
    n
    i
    i
    n
    m
    то закон распределения величины



    n
    i
    i
    n
    X
    Y
    1
    (при
    

    n
    ) не-
    ограниченно приближается к нормальному закону с математическим ожи-
    данием


    n
    i
    i
    a
    1
    и дисперсией



    n
    i
    i
    1 2
    , т.е.:

    3
    )
    (
    2 1
    2 1
    lim
    2 1
    2 1
    2
    z
    dt
    e
    z
    a
    Y
    P
    z
    t
    n
    i
    i
    n
    i
    i
    n
    n






























    

    ,
    где

     )
    (z
    dt
    e
    z
    t





    2 2
    2 1
    есть известная нам функция Лапласа.
    Смысл теоремы состоит в том, что чем сложней случайная величина, чем больше факторов, влияющих на ее значение, тем ближе она к нормально распределенной случайной величине.
    Следствие. Если независимые случайные величины
    n
    X
    X
    X
    ,
    ,
    ,
    2 1

    имеют
    одинаковые математические ожидания и дисперсии
    a
    X
    M
    i

    )
    (
    ,
    2
    )
    (


    i
    X
    D
    ,
    n
    i
    ,
    ,
    2
    ,
    1


    и существуют величины


    m
    a
    X
    M
    i
    i


    3
    , то закон распределения величины



    n
    i
    i
    n
    X
    n
    Y
    1 1
    при
    

    n
    неограниченно приближается к нормальному закону с теми же
    параметрами
    a
    и

    .
    ________________________
    Пример. Пусть
    i
    X
    - потребление электроэнергии жильцами квартиры номер
    i
    в многоквартирном, многоэтажном доме. Тогда по теореме Чебыше- ва среднее потребление:
    a
    n
    X
    n
    i
    i


    1
    , а по теореме Ляпунова величина:



    n
    i
    i
    n
    X
    n
    Y
    1 1
    является случайной величиной, имеющей нормальный закон распределения
    (т.е. будет отличаться от величины
    a
    , как нормально распределённая случай- ная величина).
    ________________________
    Пример. Представим величину Бернулли
    n
    Y
    (количество наступления события
    A
    в серии из
    n
    испытаний) в виде суммы независимых величин, так называемых «индикаторов» каждого из испытаний:



    n
    k
    i
    n
    X
    Y
    1
    Здесь
    i
    X
    - случайные величины - «индикаторы испытания»:
    p
    q
    p
    X
    М
    i





    0 1
    )
    (
    ,
    pq
    p
    q
    p
    X
    D
    i






    2 2
    2 0
    1
    )
    (
    i
    X
    1 0
    i
    p
    p
    p
    q

     1

    4
    Тогда по свойствам математического ожидания и дисперсии случайная ве- личина Бернулли
    n
    X
    будет иметь следующие параметры:
    np
    X
    М
    Y
    М
    n
    i
    i
    n



    1
    )
    (
    )
    (
    ,
    npq
    X
    D
    Y
    D
    n
    i
    i
    n



    1
    )
    (
    )
    (
    ,
    npq
    Y
    n


    )
    (
    , а в соответствии с центральной предельной теоремой при большом количест- ве испытаний (
    

    n
    ), она будет иметь распределение, близкое к нормаль- ному закону, с параметрами
    np
    a
    и
    npq


    :












    npq
    np
    Y
    Y
    F
    n
    n
    2 1
    )
    (
    .
    3. Теорема Бернулли
    Важнейшее методологическое значение для теории вероятностей и ма- тематической статистики имеет следующая теорема о частоте события. В се- рии испытаний Бернулли частоту события определим как:
    n
    Y
    A
    n
    n


    )
    (
    .
    Теорема Бернулли.
    Если количество испытаний велико, то частота события в испыта-
    нии является нормальной случайной величиной с математическим ожида-
    нием, равным вероятности события.
    Действительно, поскольку частота события
    )
    ( A
    n

    в силу центральной теоремы при
    

    n
    является величиной нормальной, а в силу основных свойств математического ожидания и дисперсии имеет математическое ожи- дание
    p
    М
    n

     )
    (
    и дисперсию
    n
    pq
    D
    n
    /
    )
    (


    В соответствии с формулами Муавра – Лапласа, величина отклонения частоты и вероятности события имеет следующую вероятность:





    )
    (
    p
    P
    n
    1 2
    2

     























    n
    pq
    n
    для любого
    0


    Таким образом, с ростом количества испытаний частота события стремится к его вероятности.


    написать администратору сайта