Математика 2 семестр / Лек бак 2 семестр / Теоремы
.docx
Предельные теоремы теории вероятности
Пусть взаимно независимые, одинаково распределенные случайные величины с параметрами:
Случайная величина , которую называют средним арифметическим, имеет характеристики:
;
;
.
Вводим нормированную и центрированную случайную величину
.
Случайная величина имеет характеристики:
;
;
Поскольку .
Характеристическая функция имеет вид:
Характеристическая функцию суммы является произведением:
.
Центральная предельная теорема
Если случайные величины независимы и одинаково распределены, а также имеют конечные математическое ожидание и дисперсию:
=;
Тогда для любого действительного закон распределения нормированного и центрированного среднего арифметического случайных величин при стремится к нормальному закону распределения с параметрами и :
Действительно, ранее получили, что характеристическая функция нормированного и центрированного среднего арифметического имеет вид
.
При получаем неопределенность , которую раскрываем, используя основное логарифмическое тождество и разложение в ряд логарифмической функции
.
.
Таким образом, нормальное распределение является предельной формой распределения суммы большого числа случайных величин, из которых ни одна не доминирует над другой.
Следствия центральной предельной теоремы
Теоремы Муавра – Лапласа.
Рассматриваем биномиальное распределение (схема Бернулли): вероятность того, что при испытаниях событие появится раз:
;
В случае ; ; это распределение приближенно заменяют распределением Пуассона
.
При достаточно больших значениях биномиальное распределение приближенно заменяют нормальным распределением.
С учетом того, что и вводя
, получаем:
-
Вероятность того, что при испытаниях событие появится раз:
; (Локальная теорема Муавра –Лапласа)
-
Вероятность того, что при истытаниях событие происходит раз при условии
где значения функции плотности вероятности и интегральной функции распределения находим по таблицам (Интегральная теорема Муавра-Лапласа).
Закон больших чисел в форме Бернулли
Пусть - число испытаний Бернулли, а – относительная частота события Найдем вероятность того, что относительная частота события отличается от его вероятности не более, чем на
С учётом того, что и, используя интегральную теорему Муавра-Лапласа, получаем:
Здесь использовали свойство 𝜙
Относительная частота события (“успех”) в независимых испытаниях при стремится к вероятности одного испытания. Или относительная частота сходится по вероятности к вероятности одного испытания.
В статистике относительная частота события является оценкой вероятности события.
Неравенство Чебышева
0
ε
-ε
На рис. представлена функция плотности вероятности с математическим ожиданием
В этом случае дисперсия совпадает со вторым начальным моментом:
Неравенство следует из того, что площадь под графиком равна 1 и она больше, чем площадь под “ хвостами ” распределений.
С учётом того, что , получаем
.
Теорема Чебышева
Пусть … взаимно независимые и одинаково распределенные случайные величины с параметрами
- среднее арифметическое .
С учётом того, что для случайной величины
отклонение среднего от получаем
.
Записывая для этой случайной величины неравенство Чебышева:
Последовательность средних арифметических случайных величин сходится по вероятности к среднему арифметическому их математических ожиданий.
В статистике выборочное среднее является несмещенной и состоятельной оценкой математического ожидания.