- •Министерство транспорта российской федерации
- •Введение
- •1. Основные понятия теории вероятностей
- •1.1. События. Классификация событий
- •1.2. Классическое и статистическое определение вероятности
- •1.3. Элементы комбинаторики
- •2. Алгебра событий
- •2.1. Действия над событиями
- •2.2. Теорема сложения вероятностей несовместных событий
- •2.3. Зависимые и независимые события
- •2.4. Теорема умножения вероятностей независимых событий
- •2.5. Вероятность появления хотя бы одного события
- •2.6. Условная вероятность
- •2.7. Теорема умножения вероятностей зависимых событий
- •2.8. Теорема сложения вероятностей совместных событий
- •2.9. Формула полной вероятности
- •2.10. Вероятность гипотез. Формула Байеса
- •3. Повторные независимые испытания
- •3.1. Формула Бернулли
- •3.2 Локальная теорема Муавра-Лапласа
- •3.3. Интегральная теорема Лапласа
- •3.4. Формула Пуассона
- •4. Случайные величины
- •4.1. Понятие случайной величины
- •4.2. Закон распределения случайной величины
- •4.3. Функция распределения случайной величины
- •4.4. Плотность вероятности
- •5. Числовые характеристики случайных величин
- •5.1. Математическое ожидание случайной величины
- •5.2. Дисперсия случайной величины
- •5.3. Среднее квадратическое отклонение случайной величины
- •5.4. Мода и медиана. Квантили
- •Решение. Находим функцию распределения
- •5.5. Моменты случайных величин. Асимметрия и эксцесс
- •5.6. Числовые характеристики независимых испытаний
- •5.7. Одинаково распределенные взаимно независимые случайные величины
- •6. Основные законы распределения
- •6.1. Биноминальный закон распределения
- •6.2. Закон распределения Пуассона
- •6.3. Равномерный закон распределения
- •6.4. Показательный (экспоненциальный) закон распределения
- •6.5 Функция надежности
- •6.6. Нормальный закон распределения
- •7. Предельные теоремы теории вероятностей
- •7.1. Закон больших чисел
- •7.1.1. Неравенство Чебышёва
- •7.1.2. Теорема Чебышёва
- •7.1.3. Теорема Бернулли
- •7.1.4. Теорема Пуассона
- •7.1.5. Теорема Маркова
- •7.2.Центральная предельная теорема
- •7.2.1. Теорема Ляпунова
- •7.2.2. Теорема Берри-Эссена
- •8. Многомерные случайные величины
- •8.1. Понятие многомерной случайной величины
- •8.2. Закон распределения вероятностей двумерной дискретной случайной величины
- •8.3. Функция распределения многомерной случайной величины
- •8.4. Плотность вероятности двумерной случайной величины
- •8.5. Условные законы распределения двумерной случайной величины
- •8.6. Зависимые и независимые случайные величины
- •8.7. Числовые характеристики двумерной случайной величины.
- •Библиографический список
- •Оглавление
- •Лаврусь Ольга Евгеньевна Конспект лекций по теории вероятностей
- •443022, Г. Самара, Заводское шоссе, 18
7.1.4. Теорема Пуассона
Теорема.Частость события в n повторных испытаниях, в каждом из которых оно может произойти соответственно с вероятностями р1, р2, …рn при неограниченном увеличении числа испытаний сходится по вероятности к средней арифметической вероятностей события в отдельном испытании:
. |
(7.9) |
Закон больших чисел может быть распространен и на зависимые случайные величины. Обобщение закона больших чисел на случай зависимых случайных величин принадлежит А. А. Маркову.
7.1.5. Теорема Маркова
Теорема.Если имеются зависимые случайные величины Х1, Х2, …, Хn и если при n→ ∞выполняется условие
, |
(7.10) |
то среднее арифметическое этих случайных величин сходится по вероятности к среднему арифметическому их математических ожиданий
. |
(7.11) |
7.2.Центральная предельная теорема
Рассмотренный закон больших чисел устанавливает факт приближения средней большого числа случайных величин к определенным постоянным. Но этим не ограничиваются закономерности, возникающие в результате суммарного действия случайных величин. Оказывается, что при некоторых условиях совокупное действие случайных приводит копределенному, а именно – кнормальному закону распределения.
Центральная предельная теоремапредставляет собой группу теорем, посвященных установлению условий, при которых возникает нормальный закон распределения. Среди этих теорем важнейшее место принадлежит теореме Ляпунова.
7.2.1. Теорема Ляпунова
Теорема.ЕслиХ1, Х2, …, Хn – независимые случайные величины, у каждой из которых существует математическое ожидание М(Хi) = а, дисперсия D(Хi) = σ2,абсолютный центральный момент третьего порядка и выполняется условие
, |
(7.12) |
то закон распределения суммы Y = Х1 + Х2 + … + Хn при n → ∞неограниченно приближается к нормальному с математическим ожиданием и дисперсией.
Смысл условия (7.12) состоит в том, чтобы в суммене было слагаемых, влияние которых на рассеяние суммарной величиныYподавляюще велико по сравнению с влиянием остальных. Также не должно быть большого числа случайных слагаемых, влияние которых очень мало по сравнению с суммарным влиянием остальных. Таким образом,удельный вес каждого отдельного слагаемого должен стремиться к нулю при увеличении числа слагаемых.
Следствие.ЕслиХ1, Х2, …, Хn – независимые случайные величины, у которых существуют равные математические ожидания М(Хi) = а, дисперсии D(Хi) = σ2 и абсолютные центральные моменты третьего порядка ,то закон распределения суммы Y = Х1 + Х2 + … + Хn при n → ∞неограниченно приближается к нормальному с математическим ожиданием и дисперсией.
В частности, если все случайные величины распределены одинаково, то закон распределения их суммы неограниченно приближается к нормальному закону при n→ ∞.
7.2.2. Теорема Берри-Эссена
Однако при этом встает вопрос, при каких значениях nможно использовать нормальное приближение, а при каких – нет. Решение этого вопроса зависит от требуемой точности вычисления вероятности. Часто теорему Муавра-Лапласа применяют при выполнении условияnpq> 10, а центральную предельную теорему, если np> 10.
Точный ответ на вопрос о погрешности, возникающей при замене исходного распределения нормальным, дает оценка скорости сходимости в центральной предельной теореме. Такая оценка приводится в теореме Берри-Эссена.
Теорема.Если Х1,Х2, …,Xn–независимые, одинаково распределенные случайные величины с математическим ожиданием а, дисперсией σ2 и третьим абсолютным центральным моментом μ3, то имеет место неравенство
, |
(7.13) |
где – функция распределения нормированной суммы, Ф(х)– функция распределения нормального закона с параметрамиа= 0 иσ2=1.
Пример 7.3.Оценить с помощью теоремы Берри-Эссена погрешность, возникающую при использовании теоремы Муавра-Лапласа.
Решение.В тереме Муавра-Лапласа распределение нормированной суммы независимых случайных величин, имеющих распределение Бернулли, заменяется нормальным.
Тогда а=M(Xk) =p,σ2=D(Xk) =pq,b=M|Xk–a|3=pq(p2+q2).
Применяя теорему Берри-Эссена, получаем:
.
При p=q= получаем.
Если p=q= ,n= 36, то |Fn(x) – Ф(x)| ≤ 0,133.
Если p = q = , n = 400, то |Fn(x) – Ф(x)| ≤ 0,08. ◄