- •Лекция. Предельные теоремы
- •1. Принцип практической уверенности. Формулировка закона больших чисел
- •2. Неравенства Маркова и Чебышева
- •Выражения (2.1–2.2) справедливы для дискретных и непрерывных случайных величин.
- •3. Сходимость по вероятности
- •4. Закон больших чисел в формАх Чебышева, Бернулли. Теорема Пуассона
- •4.1. Закон больших чисел в форме Чебышева
- •4.2. Закон больших чисел в форме Бернулли 4
- •4.3. Теорема Пуассона
- •5. Центральная предельная теорема
- •Практическое использование центральной предельной теоремы
- •Вопросы для самопроверки
- •Литература
- •Содержание
- •Новротская Надежда Леонидовна теория вероятностей Предельные теоремы
- •220086, Минск, ул. Славинского, 1, корп. 3.
4.3. Теорема Пуассона
В теореме Бернулли устанавливается связь между относительной частотой появления события и его вероятностью p при условии, что последняя от опыта к опыту не изменяется. Теорема Пуассона7 устанавливает связь между относительной частотой появления события и некоторой постоянной величиной при переменных условиях опыта.
Теорема Пуассона. Если производится n независимых опытов и вероятность появления события А в i-м опыте равна pi, то при увеличении n относительная частота появления события сходится по вероятности к среднему арифметическому значению вероятностей pi, т. е.
= 1, (4.3.1)
где ε – сколь угодно малое положительное число.
Для конечного числа испытаний n будем иметь:
(4.3.2)
Каким бы ни было ε, при n → ∞ величина дроби , а вероятность
Пример 4.3.1. Одинаковые партии изделий размещены в 11 ящиках, причем доли первосортных изделий в них составляют 0,0; 0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0.8; 0,9; 1,0. Из каждого ящика наудачу извлечено по одному изделию. Определить вероятность того, что доля первосортных изделий в выборке будет отличаться от средней арифметической доли менее чем на 0,2.
Решение. По условию задачи:
n = 11; ε = 0,2;
p1 = 0,0 (q1 = 1,0); p2 = 0,1 (q2 = 0,9); p3 = 0,2 (q3 = 0,8);
p4 = 0,3 (q4 = 0,7); p5 = 0,4 (q5 = 0,6); р6 = 0,5 (q6 = 0,5);
p7 = 0,6 (q7 = 0,4); p8 = 0,7 (q8 =0,3); p9 = 0,8 (q9 = 0,2);
p10 = 0,9 (q10 = 0,1); p11 = 1,0 (q11 = 0,0).
Применяя формулу (4.3.2), получим
=
= 1 – =
= 1 – = 0,64.
Ответ: ≥ 0,64.
5. Центральная предельная теорема
При изучении нормального закона распределения отмечают, что непрерывная случайная величина формируется под воздействием очень большого числа независимых случайных факторов. Причем сила воздействия каждого отдельного фактора мала и не может превалировать среди остальных, а характер воздействия аддитивный (т. е. при воздействии случайного фактора F на величину а получается величина а + (F), где случайная “добавка” (F) мала и равновероятна по знаку).
Центральная предельная теорема устанавливает условия образования в пределе нормального закона распределения. Она была открыта Лапласом8 (опубликована в 1812 г.). Состоит она в следующем.
Рассмотрим сумму S независимых случайных величин. Предположим, что все эти случайные величины имеют одинаковое распределение и принимают целочисленные значения 0; 1; 2; ... Распределение P() каждой из величин можно изобразить следующим образом. Нарисуем на каждом значении m прямоугольник, середина основания которого есть точка m, длина основания равна 1,0, а площадь есть . Получится ряд прямоугольников (с высотами ), сумма площадей которых равна 1 (рис. 5.1).
Рис. 5.1
Попытаемся изобразить таким же образом вероятности отдельных значений суммы при довольно большом числе n. При этом обнаружим, что даже если случайные величины , i 1, ... , n принимали всего лишь два значения 0 и 1, то значениями суммы могут быть числа от 0 до n. Следовательно, эти значения при большом числе n просто не поместятся в прежнем масштабе на рис. 5.1. Мы вынуждены будем изменить масштаб, т. е. вместо значений случайной величины
будем откладывать значения величины
(),
где и – некоторые числа, зависящие от n.
Лаплас открыл, что получится нечто замечательное, если положить
M() nа, где а M();
, где D().
Случайную величину
мы будем называть нормированной суммой.
Очевидно, что M() 0, D() 1 и значениями величины являются числа
,
причем для любого целого m
P( m) P() P().
Отложим по оси абсцисс значения и изобразим вероятности
P()
этих значений прямоугольниками, середины оснований которых лежат в точках , длины оснований равны расстоянию
между соседними точками, а площади равны P(). Высоты этих прямоугольников равны
∙ P().
При этом произойдет следующее: верхние основания этих прямоугольников почти точно лягут на некоторую кривую, задаваемую уравнением
f(x) ,
которое является плотностью нормального распределения.
При имеем
P() .
В таком случае нам известно, что
P(a b) (b) – (a).
Рассмотрим общую часть центральной предельной теоремы в любой ее форме. Пусть , … – последовательность независимых случайных величин с математическими ожиданиями M() и дисперсиями D() , , … . Введем новые случайные величины:
,
для которых
M() ; D() = ; σ() .
Тогда при определенных условиях справедливо равенство
P(< z) 0,5 + (),
утверждающее, что закон распределения нормированных отклонений суммы при стремится к стандартному нормальному распределению вне зависимости от типа распределения слагаемых. В таком случае говорят, что подчиняется асимптотически нормальному распределению.
Различные формы центральной предельной теоремы отличаются друг от друга ограничениями, налагаемыми на последовательность , при которых выполняется утверждение теоремы. Так, в теореме Муавра9–Лапласа в качестве рассматриваются частоты при i-том испытании в модели Бернулли. Более общим является условие одинакового распределения всех при существовании конечного математического ожидания M() = a и дисперсии D() .
А. М. Ляпунов10, создав специальный метод характеристических функций, используемый в доказательстве различных предельных теорем, показал, что требование одинакового распределения можно заменить условием их равномерной малости (удельный вес каждого отдельного слагаемого должен стремиться к нулю при увеличении числа слагаемых). Это условие Ляпунова математически выражается так:
0, где аi M – M()3.