![](/user_photo/2706_HbeT2.jpg)
- •Раздел VIII. Теория вероятностей
- •Глава 21. Случайные события
- •21.1. Понятие события
- •21.2. Классическое определение вероятности
- •21.3. Элементы комбинаторики
- •21.4. Геометрическая и статистическая вероятности
- •21.5. Теоремы умножения вероятностей
- •21.6. Вероятность появления хотя бы одного события
- •21.7. Теорема сложения вероятностей
- •21.8. Формула полной вероятности
- •21.9. Формула Байеса (Бейеса)
- •21.10. Повторение испытаний. Формула Бернулли
- •21.11. Локальная теорема Лапласа. Формула Пуассона
- •Формула Пуассона
- •21.12. Интегральная теорема Лапласа
- •Глава 22. Случайные величины
- •22.1. Понятие случайной величины. Закон распределения дискретной случайной величины
- •22.2. Биноминальное, геометрическое и гипергеометрическое распределения Биноминальное распределение
- •Геометрическое распределение
- •Гипергеометрическое распределение
- •22.3. Распределение Пуассона. Простейший поток событий
- •Простейший поток событий
- •22.4. Математическое ожидание дискретной случайной величины и его свойства
- •Вероятностный смысл математического ожидания
- •Свойства м(х)
- •22.5. Дисперсия случайной дискретной величины и ее свойства
- •Свойства дисперсии
- •22.6. Среднее квадратичное отклонение. Начальные и центральные теоретические моменты
- •Начальные и центральные теоретические моменты
- •22.7. Функция распределения вероятностей случайной величины
- •Свойства f(X)
- •22.8. Плотность распределения вероятностей непрерывной случайной величины
- •Свойства f(X)
- •22.9. Числовые характеристики непрерывных случайных величин
- •22.10. Закон равномерного распределения
- •22.11 Нормальное распределение
- •Вероятность попадания в заданный интервал
- •Вычисление вероятности заданного отклонения
- •22.12. Показательное распределение
- •Показательный закон надежности
- •Функция надежности
- •22.13. Закон больших чисел. Лемма Маркова
- •Лемма Маркова (лемма Чебышева)
- •22.14. Неравенство и теорема Чебышева
- •22.15. Теорема Бернулли
- •22.16. Функция одного случайного аргумента и ее распределение
- •Математическое ожидание функции одного случайного аргумента
- •22.17. Закон распределения вероятностей и функция распределения двумерных случайных величин
- •Закон распределения вероятностей дискретной двумерной величины
- •Функции распределения двумерной случайной величины
- •22.18. Вероятность попадания случайной величины в полуполосу и прямоугольник
- •Плотность совместного распределения вероятностей непрерывной двумерной случайной величины
- •Вариационный ряд
- •23.2. Точечные оценки
- •Основные точечные оценки
- •23.3 Интервальные оценки для генеральной средней
- •Интервальные оценки для генеральной средней с известным s
- •Интервальная оценка для генеральной средней с неизвестным s
- •23.4. Интервальные оценки для генеральной дисперсии, среднего квадратического отклонения и генеральной доли
- •Интервальная оценка для генеральной доли
- •Глава 24. Статистическая проверка статистических гипотез
- •24.1. Статистическая проверка статистических гипотез
- •Проверка гипотезы о равенстве двух дисперсий нормальных генеральных совокупностей
- •24.3. Сравнение двух средних нормальных генеральных совокупностей с известными дисперсиями
- •. Сравнение двух средних нормальных генеральных совокупностей с неизвестными дисперсиями
- •24.5. Проверка гипотезы о нормальном законе распределения
- •Глава 25. Элементы теории корреляции.
- •25.1. Понятие корреляционной зависимости
- •25.2 Отыскание параметров выборочного уравнения регрессии по несгруппированным данным
- •25.3. Отыскание параметров выборочного уравнения прямой линии регрессии по сгруппирированным данным Корреляционная таблица
22.13. Закон больших чисел. Лемма Маркова
Ранее было отмечено, что нельзя предвидеть, какое из возможных значений примет случайная величина, однако в некоторых случаях можно угадать вероятность такого события.
Рассмотрим принцип практической
уверенности: если вероятность событияАочень мала, то при однократном
испытании можно быть уверенным, что это
событие не произойдет. Еслито
т.е.
- почти достоверное событие. Вероятность,
которой пренебрегаем в данном случае
– уровень значимости
.
В статистике рекомендовано считать,
что
=0,05
при предварительных исследованиях и
=0,001
при окончательных исследованиях.
Одной из задач теории вероятностей является установление закономерностей, происходящих с вероятностями, близкими к единице. Всякое предположение, устанавливающее эти закономерности, называется законом больших чисел. Законом больших чиселследует назвать общий принцип, в силу которого совокупное действие большого числа факторов приводит при некоторых весьма общих условиях к результату, почти не зависящему от случая.
Иначе, при некоторых сравнительно широких условиях суммарное поведение достаточно большого числа случайных величин почти утрачивает случайный характер и становится закономерным. Соответствующие условия указываются в теоремах Чебышева и Бернулли.
Лемма Маркова (лемма Чебышева)
Если среди значений случайной величин Xнет отрицательных, то вероятность того, что она примет значение, превосходящее числоА > 0 не больше, чемM(x)/A.
Пусть задан закон распределения X:
-
…
…
Пусть первые kзначений
меньшеA, а
остальные
>A.
.
Отбросив первыеkслагаемых, получим
.Усилим
неравенство, заменив в нем оставшиеся
значения
меньшим числомА:
.
или
,
или
.
22.14. Неравенство и теорема Чебышева
Неравенство Чебышева. Вероятность
того, что отклонение случайной величины
от ее математического ожидания по модулю
меньше числа,
не меньше, чем
,
т.е.
.
Рассмотрим дискретную случайную величину X, имеющую закон распределения:
-
…
…
Закон распределения случайной величины
:
-
…
…
Предположим, что первые kзначений
случайной величиныменьше данного
,
а остальные – не меньше
.
Тогда
.
Запишем формулу для дисперсии в виде:
Отбросим
первое слагаемое и во втором слагаемом
заменим
меньшей
величиной
,
получим
Отсюда:
,
т.е.
.
Иначе:
.
Для частости:
.
Теорема Чебышева. Если-
попарно независимые случайные величины,
причем дисперсии их равномерно ограничены
(не превышают постоянного числаС),
то, как бы мало ни было
,
вероятность неравенства
будет как угодно близка к единице, если
число случайных величин достаточно
велико, т.е.
Рассмотрим случайную величину
Имеем:
;
По условию теоремы дисперсия ограничена,
т.е.
,
поэтому
.
Воспользуемся неравенством Чебышева:
Перейдя к пределу и учитывая, что
,
получим доказываемое.
22.15. Теорема Бернулли
Пусть в каждом из nнезависимых испытаний вероятностьpпоявления событияАпостоянна. Тогда как угодно близка к единице вероятность того, что отклонение относительной частоты от вероятностиpпо абсолютной величине будет сколь угодно малым, если число испытаний достаточно велико.
Или
,
где
– частота появления событияA.
Пусть
– число появлений событияAв первом испытании,
– во втором,
– вn-ом испытании,
может принимать значения : 1 (событиеАнаступило) с вероятностьри 0 (событиеАне наступило) с вероятностью
.
Испытания независимые,
, так как
,
то
,
тогда по неравенству Чебышева:
Каждая величина
тогда
– числу появления событияАвnиспытаниях, тогда
следовательно,
.
Теорема Пуассона. Если в
последовательностиnнезависимых испытаний вероятность
появления событияАв каждом испытании
равна,
то при увеличенииnчастость событияAсходится (по вероятности) к среднему
арифметическому вероятностей
,
т.е.
Пусть случайная величина
–
число появлений событияАв каждом
испытании, тогда
– число появлений событияАвnиспытаниях.
– независимые величины. Для случайной
величины
имеем:
среднее арифметическое вероятностей;
Тогда по неравенству Чебышева:
Переходя к пределу, получим
доказываемое.